{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 9\n\nWygeneruj dataset zawierający:\n\n- 200 osób\n- kolumny: wzrost, waga", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 4\n\nUsuń tylko wiersze gdzie brakuje wartości w kolumnie `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 7\nSprawdź współczynniki dla każdej cechy.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 7\nZinterpretuj wyniki macierzy pomyłek.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\ncm\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 2\n\nNarysuj histogram dla kolumny `petal_length`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 7\n\nZwiększ zakres k do 30.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 10\n\nNarysuj violinplot dla `sepal_length` według `species`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.violinplot(x='species', y='sepal_length', data=df)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Chapter 2 43\nComparing this to CRISP-DM\nThe high-level categorization of project steps that we will outline in the rest of this chapter has \nmany similarities to, and some differences from, an important methodology known as CRISP-DM. \nThis methodology was published in 1999 and has since gathered a large following as a way to \nunderstand how to build any data project. In CRISP-DM, there are six different phases of activity, \ncovering similar ground to that outlined in the four steps described in the previous section:\n1. Business understanding: This is all about getting to know the business problem and \ndomain area. This becomes part of the Discover phase in the four-step model.\n2. Data understanding: Extending the knowledge of the business domain to include the \nstate of the data, its location, and how it is relevant to the problem. Also included in the \nDiscover phase.\n3. Data preparation: Starting to take the data and transform it for downstream use. This \nwill often have to be iterative. Captured in the Play stage.\n4. Modeling: Taking the prepared data and then developing analytics on top of it; this could \nnow include ML of various levels of sophistication. This is an activity t", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 9\n\nZmień k na 1 i zobacz jak zmieni się granica decyzyjna.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 4\nSprawdź inertia dla różnych K.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 10\n\nZastosuj winsoryzację dla kolumny `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Znormalizuj `bill_length_mm`\n3. Standaryzuj `body_mass_g`\n4. Zakoduj `species` metodą one-hot", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 9\n\nSprawdź ile obserwacji jest w każdym gatunku.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf['species'].value_counts()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents\nPreface xvii\nChapter 1: Introduction to ML Engineering 1\nTechnical requirements ������������������������������������������������������������������������������������������������������ 2\nDefining a taxonomy of data disciplines ����������������������������������������������������������������������������� 4\nData scientist • 4\nML engineer • 5\nML operations engineer • 6\nData engineer • 7\nWorking as an effective team ���������������������������������������������������������������������������������������������� 8\nML engineering in the real world ���������������������������������������������������������������������������������������� 9\nWhat does an ML solution look like? ��������������������������������������������������������������������������������� 12\nWhy Python? • 14\nHigh-level ML system design ��������������������������������������������������������������������������������������������� 15\nExample 1: Batch anomaly detection service • 15\nExample 2: Forecasting API • 22\nExample 3: Classification pipeline • 26\nSummary �������������������������������������������������������������������������������������������������������������������������� 30\nChapter 2: The Machine Learnin", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Python Course\nMachine Learning\nWith Python by\nBernd Klein\nMachine Learning Terminology .................................................................................................3\nRepresentation and Visualization of Data ................................................................................15\nLoading the Iris Data with Scikit-learn ....................................................................................18\nVisualising the Features of the Iris Data Set.............................................................................23\nScatterplot 'Matrices .................................................................................................................27\nDatasets in sklearn....................................................................................................................29\nLoading Digits Data..................................................................................................................31\nReading the data and conversion back into 'data' and 'labels'...................................................51\nOther Interesting Distributions ...............................................................................", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 6\nPorównaj model przed i po skalowaniu.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 3\n\n1. Zapisz dataset do pliku `dataset.csv`.\n2. Wczytaj go ponownie.\n3. Wyświetl ostatnie 5 wierszy.", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Confusion\nMatrix\nPredicted classes\nmale female\nActual\nclasses\nmale 42 8\nfemale 18 32\nThis means that the classifier correctly predicted a male person in 42 cases and it wrongly predicted 8 male\ninstances as female. It correctly predicted 32 instances as female. 18 cases had been wrongly predicted as male\ninstead of female.\nACCURACY (ERROR RATE)\nAccuracy is a statistical measure which is defined as the quotient of correct predictions made by a classifier\ndivided by the sum of predictions made by the classifier.\nThe classifier in our previous example predicted correctly predicted 42 male instances and 32 female instance.\nTherefore, the accuracy can be calculated by:\naccuracy = (42 + 32)/(42 + 8 + 18 + 32)\nwhich is 0.72\nLet's assume we have a classifier, which always predicts \"female\". We have an accuracy of 50 % in this case.\nConfusion\nMatrix\nPredicted classes\nmale female\nActual\nclasses\nmale 0 50\nfemale 0 50\nWe will demonstrate the so-called accuracy paradox.\nA spam recogition classifier is described by the following confusion matrix:\n4", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 9\n\nWyjaśnij dlaczego trenowanie modelu na całym zbiorze jest błędem.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nimport matplotlib.pyplot as plt\n\nplt.hist(X_train['sepal_length'], alpha=0.5, label='train')\nplt.hist(X_test['sepal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 8\nZmodyfikuj test_size i sprawdź wpływ na wynik.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 4\n\nWytrenuj model i sprawdź accuracy.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie końcowe 12\n\nNapisz skrypt który:\n\n1. Pobiera dane z internetu\n2. Zapisuje je lokalnie\n3. Wczytuje je ponownie\n4. Wyświetla podstawowe statystyki (`describe()`)", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- K-means\n- wybór K", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX.shape\n\ny.shape\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 9\nZastosuj K-means do własnych danych.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 9\n\nSprawdź ile kolumn powstało po kodowaniu.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 5\nPorównaj accuracy dla L1 i L2.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 8\nPorównaj model z PCA i bez PCA.", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 11.\n\n1. Wczytaj dataset Titanic\n2. Sprawdź braki danych\n3. Uzupełnij kolumnę age medianą\n4. Znajdź outliery w kolumnie fare", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Prefacexviii\nWe will cover everything from how to organize your ML team, to software development meth-\nodologies and best practices, to automating model building through to packaging your ML code, \nhow to deploy your ML pipelines to a variety of different targets and then on to how to scale your \nworkloads for large batch runs. We will also discuss, in an entirely new chapter for this second \nedition, the exciting world of applying ML engineering and MLOps to deep learning and genera-\ntive AI, including how to start building solutions using Large Language Models (LLMs) and the \nnew field of LLM Operations (LLMOps).\nThe second edition of Machine Learning Engineering with Python goes into a lot more depth than \nthe first edition in almost every chapter, with updated examples and more discussion of core \nconcepts. There is also a far wider selection of tools covered and a lot more focus on open-source \ntools and development. The ethos of focusing on core concepts remains, but it is my hope that \nthis wider view means that the second edition will be an excellent resource for those looking to \ngain practical knowledge of machine learning engineering.\nAlthough a far greater emphasis has", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie końcowe 12\n\nStwórz kompletny program, który wykonuje następujące polecenia:\n\n1. skalowanie danych numerycznych\n2. kodowanie zmiennych kategorycznych\n3. utworzenie finalnej macierzy cech", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 10\n\nSprawdź metrykę `euclidean`.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 4\nPorównaj log_loss dla różnych modeli.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "We will train our articifical data in the following code:\nfrom sklearn.model_selection import train_test_split\ndata_sets = train_test_split(data,\nlabels,\ntrain_size=0.8,\ntest_size=0.2,\nrandom_state=42 # garantees same output fo\nr every run\n)\ntrain_data, test_data, train_labels, test_labels = data_sets\n# import model\nfrom sklearn.neighbors import KNeighborsClassifier\n# create classifier\nknn = KNeighborsClassifier(n_neighbors=8)\n# train\nknn.fit(train_data, train_labels)\n# test on test data:\ncalculated_labels = knn.predict(test_data)\ncalculated_labels\nOutput: <matplotlib.legend.Legend at 0x7f545b4d6340>\n52", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 7\n\nNarysuj drzewo dla modelu `model_entropy`.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "EVALUATION METRICS\nINTRODUCTION\nNot only in machine learning but also in\ngeneral life, especially business life, you\nwill hear questiones like \"How accurate is\nyour product?\" or \"How precise is your\nmachine?\". When people get replies like\n\"This is the most accurate product in its\nfield!\" or \"This machine has the highest\nimaginable precision!\", they feel\nfomforted by both answers. Shouldn't\nthey? Indeed, the terms accurate and\nprecise are very often used\ninterchangeably. We will give exact\ndefinitions later in the text, but in a\nnutshell, we can say: Accuracy is a\nmeasure for the closeness of some\nmeasurements to a specific value, while\nprecision is the closeness of the measurements to each other.\nThese terms are also of extreme importance in Machine Learning. We need them for evaluating ML\nalgorithms or better their results.\nWe will present in this chapter of our Python Machine Learning Tutorial four important metrics. These metrics\nare used to evaluate the results of classifications. The metrics are:\n• Accuracy\n• Precision\n• Recall\n• F1-Score\nWe will introduce each of these metrics and we will discuss the pro and cons of each of them. Each metric\nmeasures something different about", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie\n\n1. Zapisz dane do tabeli `tips2`\n2. Wczytaj je ponownie z SQL", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 8\n\nSpróbuj użyć innych dwóch cech.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie końcowe 12\n\nWykonaj eksploracyjną analizę danych:\n\n1. histogramy\n2. boxploty\n3. scatter plot\n4. macierz korelacji\n5. heatmap\n\nSpróbuj zinterpretować wyniki.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 7\n\nNarysuj boxplot dla kolumny `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 9\nZinterpretuj wykres reszt.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nprint(\"MSE:\", mean_squared_error(y_test, y_pred))\nprint(\"R2:\", r2_score(y_test, y_pred))\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 6\nSprawdź R² dla innych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents xiii\nMicroservices • 207\nEvent-based designs • 208\nBatching • 209\nContainerizing ����������������������������������������������������������������������������������������������������������������� 211\nHosting your own microservice on AWS �������������������������������������������������������������������������� 214\nPushing to ECR • 216\nHosting on ECS • 217\nBuilding general pipelines with Airflow ������������������������������������������������������������������������� 232\nAirflow • 232\nAirflow on AWS • 235\nRevisiting CI/CD for Airflow • 244\nBuilding advanced ML pipelines ������������������������������������������������������������������������������������� 246\nFinding your ZenML • 246\nGoing with the Kubeflow • 258\nSelecting your deployment strategy �������������������������������������������������������������������������������� 267\nSummary ������������������������������������������������������������������������������������������������������������������������ 269\nChapter 6: Scaling Up 271\nTechnical requirements �������������������������������������������������������������������������������������������������� 272\nScaling with Spark �������������������������������������", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Introduction to ML Engineering8\nData engineers spend a lot of time and effort and use their considerable skills to ensure \nthat data pipelines are robust, reliable, and can be trusted to deliver when promised.\n• Access: Finally, the aim of getting data from A to B is for it to be used by applications, \nanalyses, and ML models, so the nature of B is important. The data engineer will have a \nvariety of technologies to hand to surface data and should work with the data consumers \n(our data scientists and ML engineers, among others) to define and create appropriate \ndata models within these solutions:\nFigure 1.1: A diagram showing the relationships between data science, ML engineering, \nand data engineering.\nAs mentioned previously, this book focuses on the work of the ML engineer and how you can \nlearn some of the skills useful for that role, but it is important to remember that you will not be \nworking in a vacuum. Always keep in mind the profiles of the other roles (and many more not \ncovered here that will exist in your project team) so that you work most effectively together. Data \nis a team sport after all!\nNow that you understand the key roles in a modern data team and how they", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 1\nDodaj więcej punktów danych i sprawdź jak zmienia się linia regresji.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\ndf.shape\n\ndf.columns\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 8\nSprawdź jak precision i recall zmieniają się przy zmianie progu.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "ham 0 114\nWe can calculate the precision for our example:\nTP = 114\nFP = 14\n# FN (0) and TN (12) are not needed in the formuala!\nprecision = TP / (TP + FP)\nprint(f\"precision: {precision:4.2f}\")\nExercise: Before you go on with the text think about what the value precision means. If you look at the\nprecision measure of our spam filter example, what does it tell you about the quality of the spam filter? What\ndo the results of the confusion matrix of an ideal spam filter look like? What is worse, high FP or FN values?\nYou will find the answers indirectly in the following explanations.\nIncidentally, the ideal spam filter would have 0 values for both FP and FN.\nThe previous result means that 11 mailpieces out of a hundred will be classified as ham, even though they are\nspam. 89 are correctly classified as ham. This is a point where we should talk about the costs of\nmisclassification. It is troublesome when a spam mail is not recognized as \"spam\" and is instead presented to\nus as \"ham\". If the percentage is not too high, it is annoying but not a disaster. In contrast, when a non-spam\nmessage is wrongly labeled as spam, the email will not be shown in many cases or even automatically deleted", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "k-nearest neighbor data set with new object to classify\nWhen we choose k = 3, the algorithm will find the three nearest\nneighbors of the green heart in order to classify it to either the \ndiamond\nclass or the star class.\nIn our diagram, the three nearest neighbors of the green heart are \none\ndiamond and two stars. Therefore, the algorithm will classify \nthe heart\nwith the star class.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 3\n\nPodziel dane tak aby zbiór testowy miał 30% danych.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 9\n\nNarysuj wykres ważności cech.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 3\nPorównaj wyniki dla random i k-means++.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 3\n\nNarysuj boxplot dla kolumny `sepal_width`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 2\nZredukuj dane do 3 wymiarów.", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\ndf.shape\n\ndf.columns\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 5\n\nPorównaj wynik z poprzednim modelem.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX.shape\n\ny.shape\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 10\n\nSprawdź ile cech powstało po transformacji.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nX = transformer.fit_transform(df)\n\nX.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Narysuj histogram dla `sepal_length`\n3. Narysuj scatter plot dla `sepal_length` vs `petal_length`\n4. Pokoloruj punkty według `species`", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 1\nSprawdź accuracy dla różnych podziałów danych (zmień random_state).\n\nhttps://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 5\n\nNarysuj scatter plot:\n\n`petal_width` vs `petal_length` z kolorami gatunków.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The Machine Learning Development Process46\nYou have now added a user story to your work management tool! This allows you to do things such \nas create new tasks and link them to this user story or update its status as your project progresses:\nFigure 2.7: An example user story in Jira.\nThe data sources you use are particularly crucial to understand. As you know, garbage in, garbage \nout, or even worse, no data, no go! The particular questions you have to answer about the data are \nmainly centered around access, technology, quality, and relevance.\nFor access and technology, you are trying to pre-empt how much work the data engineers have \nto do to start their pipeline of work and how much this will hold up the rest of the project. It is \ntherefore crucial that you get this one right.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents xi\nEngineering features for machine learning ����������������������������������������������������������������������� 89\nEngineering categorical features • 89\nEngineering numerical features • 91\nDesigning your training system ���������������������������������������������������������������������������������������� 94\nTraining system design options • 95\nTrain-run • 96\nTrain-persist • 97\nRetraining required ����������������������������������������������������������������������������������������������������������� 98\nDetecting data drift • 100\nDetecting concept drift • 103\nSetting the limits • 105\nDiagnosing the drift • 106\nRemediating the drift • 108\nOther tools for monitoring • 110\nAutomating training • 114\nHierarchies of automation • 114\nOptimizing hyperparameters • 116\nHyperopt • 119\nOptuna • 121\nAutoML • 124\nauto-sklearn • 124\nAutoKeras • 126\nPersisting your models ����������������������������������������������������������������������������������������������������� 127\nBuilding the model factory with pipelines ����������������������������������������������������������������������� 131\nScikit-learn pipelines • 132\nSpark ML pipelines • 136\nSummary ������������������", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 8\n\nNarysuj heatmap bez wartości liczbowych (`annot=False`).", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model Decision Tree\n4. Sprawdź accuracy", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Introduction to ML Engineering6\nThis can be done using OO programming, functional programming, a mix, or something \nelse, but it basically helps to take the proof-of-concept work of the data scientist and turn \nit into something that is far closer to being trusted in a production environment.\n• Architecture: Deployments of any piece of software do not occur in a vacuum and will \nalways involve lots of integrated parts. This is true of ML solutions as well. The ML engi-\nneer has to understand how the appropriate tools and processes link together so that the \nmodels built with the data scientist can do their job and do it at scale.\n• Productionization: The ML engineer is focused on delivering a solution and so should \nunderstand the customer’s requirements inside out, as well as be able to understand what \nthat means for the project development. The end goal of the ML engineer is not to provide \na good model (though that is part of it), nor is it to provide something that basically works. \nTheir job is to make sure that the hard work on the data science side of things generates \nthe maximum potential value in a real-world setting.\nML operations engineer\nML engineering will be the foc", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 9\nZmodyfikuj wykres 3D (np. kolory, punkt widzenia).", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 6\n\nUżyj metody `bfill` do uzupełnienia braków.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 4\nPolicz MSE dla nowych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 11\n\n1. Wczytaj dataset `tips`\n2. Sprawdź typy danych\n3. Wybierz tylko kolumny `total_bill`, `tip`\n4. Zapisz wynik do CSV", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Preface\nMachine learning (ML ), part of the wider field of Artificial Intelligence (AI), is rightfully rec-\nognized as one of the most powerful tools available for organizations to extract value from their \ndata. As the capabilities of ML algorithms have grown over the years, it has become increasingly \nobvious that implementing such algorithms in a scalable, fault-tolerant, and automated way \nrequires the creation of new disciplines. These disciplines, ML Engineering (MLE) and ML Op-\nerations (MLOps), are the focus of this book.\nThe book covers a wide variety of topics in order to help you understand the tools, techniques, and \nprocesses you can apply to engineer your ML solutions, with an emphasis on introducing the key \nconcepts so that you can build on them in your future work. The aim is to develop fundamentals \nand a broad understanding that will stand the test of time, rather than just provide a series of \nintroductions to the latest tools, although we do cover a lot of the latest tools!\nAll of the code examples are given in Python, the most popular programming language in the \nworld (at the time of writing) and the lingua franca for data applications. Python is a high-level", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "k-nearest neighbor data set with classification complete\nAmong the most basic of machine learning algorithms, k-nearest\nneighbor is considered to be a type of “lazy learning” as \ngeneralization\nbeyond the training data does not occur until a query \nis made to the\nsystem.\nDecision Tree Learning\nFor general use, decision trees are employed to visually represent\ndecisions and show or inform decision making. When working with\nmachine learning and data mining, decision trees are used as a \npredictive\nmodel. These models map observations about data to \nconclusions about\nthe data’s target value.\nThe goal of decision tree learning is to create a model that will \npredict", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\nfrom sklearn.metrics import accuracy_score, confusion_matrix\n\nX = df.drop(target, axis=1)\ny = df[target]\nX = pd.get_dummies(X, drop_first=True)\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42)\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "drzewa decyzyjne", "task_type": "pdf_practical_pattern"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 5\nZnajdź optymalne K na podstawie wykresu.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nbest_k = 4\nbest_k\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 1\n\n1. Wczytaj dataset Titanic.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę wierszy i kolumn.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- PCA\n- model ML", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The following picture shows in a simple way how the nearest neighbor classifier works. The puzzle piece is\nunknown. To find out which animal it might be we have to find the neighbors. If k=1 , the only neighbor is a\ncat and we assume in this case that the puzzle piece should be a cat as well. If k=4 , the nearest neighbors\ncontain one chicken and three cats. In this case again, it will be save to assume that our object in question\nshould be a cat.\nK-NEAREST-NEIGHBOR FROM SCRATCH\nPREPARING THE DATASET\nBefore we actually start with writing a nearest neighbor classifier, we need to think about the data, i.e. the\nlearnset and the testset. We will use the \"iris\" dataset provided by the datasets of the sklearn module.\nThe data set consists of 50 samples from each of three species of Iris\n• Iris setosa,\n• Iris virginica and\n• Iris versicolor.\nFour features were measured from each sample: the length and the width of the sepals and petals, in\ncentimetres.\nimport numpy as np\nfrom sklearn import datasets\niris = datasets.load_iris()\n74", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 3\n\nZnormalizuj kolumnę `body_mass_g`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 8\n\nZastosuj one-hot encoding do kolumny `species`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\npd.get_dummies(df['species']).head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 6\n\nSprawdź rozkład klas w zbiorze testowym.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\ny_test.value_counts()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model KNN\n4. Sprawdź accuracy", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 6\n\nUruchom pairplot bez rozróżnienia kolorów.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.pairplot(df)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie końcowe 12\n\nPorównaj trzy modele:\n\n- drzewo bez ograniczeń\n- drzewo max_depth = 3\n- drzewo max_depth = 5\n\nKtóry model działa najlepiej?", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 2\nZinterpretuj współczynniki dla własnych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 4\n\nZastosuj standaryzację do kolumny `bill_depth_mm`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 6\n\nSprawdź unikalne wartości w kolumnie `island`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf['island'].unique()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 9\n\nUsuń outliery w kolumnie `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 4\n\nUżyj k = 5.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The Machine Learning Development Process48\nIn this part of the process, you are not overly concerned with details of implementation, but with \nexploring the realms of possibility and gaining an in-depth understanding of the data and the \nproblem, which goes beyond initial discovery work. Since the goal here is not to create produc -\ntion-ready code or to build reusable tools, you should not worry about whether or not the code \nyou are writing is of the highest quality, or using sophisticated patterns. For example, it will not \nbe uncommon to see code that looks something like the following examples (taken, in fact, from \nthe repo for this book):\nFigure 2.8: Some example prototype code that will be created during the play stage.\nEven a quick glance at these screenshots tells you a few things:\n• The code is in a Jupyter notebook, which is run by a user interactively in a web browser.\n• The code sporadically calls methods to simply check or explore elements of the data (for \nexample, df.head() and df.dtypes).\n• There is ad hoc code for plotting (and it’s not very intuitive!).\n• There is a variable called tmp, which is not very descriptive.\nAll of this is absolutely fine in this more e", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model drzewa\n4. Sprawdź accuracy", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 8\n\nSprawdź wpływ `max_depth = 2` oraz `max_depth = 5`.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "K-NEAREST-NEIGHBOR CLASSIFIER\n\"Show me who your friends are and I’ll\ntell you who you are?\"\nThe concept of the k-nearest neighbor\nclassifier can hardly be simpler described.\nThis is an old saying, which can be found\nin many languages and many cultures. It's\nalso metnioned in other words in the\nBible: \"He who walks with wise men will\nbe wise, but the companion of fools will\nsuffer harm\" (Proverbs 13:20 )\nThis means that the concept of the k-\nnearest neighbor classifier is part of our\neveryday life and judging: Imagine you\nmeet a group of people, they are all very\nyoung, stylish and sportive. They talk\nabout there friend Ben, who isn't with them. So, what is your imagination of Ben? Right, you imagine him as\nbeing yong, stylish and sportive as well.\nIf you learn that Ben lives in a neighborhood where people vote conservative and that the average income is\nabove 200000 dollars a year? Both his neighbors make even more than 300,000 dollars per year? What do you\nthink of Ben? Most probably, you do not consider him to be an underdog and you may suspect him to be a\nconservative as well?\nThe principle behind nearest neighbor classification consists in finding a predefined number, i.e. the", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 6\nZmień liczbę centrów i obserwuj dane.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 6\n\nWczytaj tylko kolumny:\n\n- total_bill\n- sex\n- day", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie końcowe 12\n\nPorównaj trzy strategie:\n\n- 70/30 split\n- 80/20 split\n- cross validation\n\nKtóra daje najbardziej stabilne wyniki?", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 2\nNarysuj sigmoid dla zakresu [-5,5] i porównaj wykres.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 3\nPrzewidź wartości dla X = 10, 20.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 1\n\n1. Wczytaj dane z tego samego pliku.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź ile wierszy ma dataset.", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "CONFUSION MATRIX\nBefore we continue with the term accuracy , we want to make sure that you understand what a confusion\nmatrix is about.\nA confusion matrix, also called a contingeny table or error matrix, is used to visualize the performance of a\nclassifier.\nThe columns of the matrix represent the instances of the predicted classes and the rows represent the instances\nof the actual class. (Note: It can be the other way around as well.)\nIn the case of binary classification the table has 2 rows and 2 columns.\n8", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 8\nPorównaj wyniki przed i po skalowaniu.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 5\n\nZastosuj RobustScaler do `bill_length_mm`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie końcowe 12\n\nPrzetestuj różne wartości:\n\n- k = 1\n- k = 5\n- k = 15\n\nPorównaj granice decyzyjne.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nfor k in [1, 5, 15]:\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X, y_encoded)\n\n Z = model.predict(np.c_[xx.ravel(), yy.ravel()])\n Z = Z.reshape(xx.shape)\n\n plt.contourf(xx, yy, Z, alpha=0.2)\n sns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\n plt.title(f\"k = {k}\")\n plt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 2\n\nSprawdź minimalne i maksymalne wartości dla:\n\n- bill_length_mm\n- body_mass_g", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 2\nSprawdź centroidy dla różnych wartości K.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 5\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 7\n\nSprawdź accuracy modelu.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nmodel.score(X_test, y_test)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "the value of a target based on input variables.\nIn the predictive model, the data’s attributes that are determined\nthrough observation are represented by the branches, while the\nconclusions about the data’s target value are represented in the \nleaves.\nWhen “learning” a tree, the source data is divided into subsets \nbased\non an attribute value test, which is repeated on each of the \nderived\nsubsets recursively. Once the subset at a node has the \nequivalent value as\nits target value has, the recursion process will \nbe complete.\nLet’s look at an example of various conditions that can determine\nwhether or not someone should go fishing. This includes weather\nconditions as well as barometric pressure conditions.\nfishing decision tree example\nIn the simplified decision tree above, an example is classified by\nsorting it through the tree to the appropriate leaf node. This then \nreturns\nthe classification associated with the particular leaf, \nwhich in this case is", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\nfrom sklearn.metrics import accuracy_score, confusion_matrix\n\nX = df.drop(target, axis=1)\ny = df[target]\nX = pd.get_dummies(X, drop_first=True)\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42)\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "drzewa decyzyjne", "task_type": "pdf_practical_pattern"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę obserwacji.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\ndf.head(10)\n\nlen(df)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"}
{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"}
{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}
{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"}
{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}