czym jest ml

Odpowiedź kursanta: Dziękuję autorom kursu za stworzenie tego ciekawego i przydatnego kursu.

Oto odpowiedź na pytanie kursanta: Uczenie maszynowe to paradygmat, w którym model jest trenowany przy użyciu obiektów wejściowych i pożądanych wartości wyjściowych, które są często etykietami stworzonymi przez ludzi. Proces uczenia buduje funkcję, która mapuje nowe dane na oczekiwane wartości wyjściowe, pozwalając algorytmowi na dokładne określenie wartości wyjściowych dla niewidzianych wcześniej instancji. Uczenie maszynowe (UM) i sztuczna inteligencja (SI) są powiązane, ale różnią się w następujący sposób: UM jest obszarem SI, który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie. SI jest szerszym pojęciem, obejmującym wszystkie formy inteligencji demonstrowane przez maszyny. UM jest zorientowane na uczenie się z danych, podczas gdy SI obejmuje szeroki zakres zadań, w tym rozpoznawanie obrazów, analiza danych i budowanie złożonych modeli językowych. UM jest często postrzegane jako "czarna skrzynka", a większość potwierdzeń dokonywana jest empirycznie, a nie teoretycznie, co odróżnia je od SI, która ma bardziej zrozumiałą teorię.

Średnia harmoniczna to rodzaj średniej, jedna ze średnich pitagorejskich. Jest to najbardziej odpowiednia średnia dla stosunków i wskaźników, takich jak prędkości, i zwykle używana jest tylko dla argumentów dodatnich. Średnia harmoniczna to odwrotność średniej arytmetycznej odwrotności liczb, to znaczy uogólniona średnia f z f(x) = 1/x. Średnia harmoniczna jest zawsze najmniejsza z trzech średnich pitagorejskich, podczas gdy średnia arytmetyczna jest zawsze największa z nich, a średnia geometryczna znajduje się zawsze pomiędzy nimi. Średnia arytmetyczna to odwrotność średniej arytmetycznej odwrotności liczb, to znaczy uogólniona średnia f z f(x) = 1/x. Średnia geometryczna to średnia arytmetyczna odwrotności liczb, to znaczy uogólniona średnia f z f(x) = 1/x.

Odpowiedź na pytanie kursanta: Nie, przyspieszające zmiany nie są bezpośrednio powiązane z trendowaniem. Przyspieszające zmiany to pojęcie opisujące szybsze tempo zmian technologicznych w historii, które może sugerować szybsze i bardziej dogłębne zmiany w przyszłości.

Oto odpowiedź na pytanie kursanta: Wiedza o nauczaniu maszynowym może przynieść nauczycielowi matematyki możliwość stworzenia bardziej efektywnych metod nauczania i weryfikacji wiedzy uczniów. Na przykład, włączenie subiektywnych informacji do modelu matematycznego może być ważne dla uzyskania dokładnego oszacowania prawdopodobieństwa, co może być przydatne w nauczaniu matematyki. Statystyka bayesowska dostarcza teoretycznych ram dla włączenia takiej subiektywności do rygorystycznej analizy: określamy a priori rozkład prawdopodobieństwa (który może być subiektywny), a następnie aktualizujemy ten rozkład na podstawie danych empirycznych. W inżynierii modele fizyczne są często tworzone metodami matematycznymi, takimi jak metoda elementów skończonych. Różne modele matematyczne wykorzystują różne geometrie, które niekoniecznie są dokładnymi opisami geometrii wszechświata.

Precyzja jest kolejną metryką, którą można wykorzystać do opisu jakości modelu Uczenia Maszynowego. Definiujemy ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. W naszym przykładzie, aby obliczyć precyzję, bierzemy liczbę prawidłowo wykrytych chorób, czyli 27, i dzielimy przez liczbę wszystkich osób sklasyfikowanych przez model jako chore, czyli 31. Otrzymujemy w zaokrągleniu 87%.

Oto odpowiedź na pytanie kursanta: "Po drugie, jeśli rzeczywista klasyfikacja jest pozytywna, a przewidywana klasyfikacja jest negatywna (1,0), to nazywa się to wynikiem fałszywie negatywnym, ponieważ pozytywna próbka jest niepoprawnie identyfikowana przez klasyfikator jako negatywna." W tym przypadku, rozpoznanie kota jako psa jest fałszywie pozytywne, ponieważ kota (pozytywna próbka) rozpoznano jako psa (negatywna klasyfikacja).

Oto odpowiedź na pytanie kursanta: Metryki są to miary jakości modelu Uczenia Maszynowego, które umożliwiają porównywanie modeli między sobą. Cztery omawiane przez nas metryki obliczane są na podstawie macierzy (tablicy) pomyłek.

dlaczego nie odpowiadasz na moje wiadomości?

Aby udzielić odpowiedzi, potrzebuję fragmentu tekstu, który opisuje, ile wsadów potrzebne jest do ukończenia jednej epoki. Oto odpowiedź: "Jak łatwo policzyć, w ramach jednej epoki (czyli, jak pamiętamy - pełnego przejścia przez wszystkie przykłady treningowe) potrzebne będzie 11 wsadów - 10 razy po 16 oraz 10 pozostałych przykładów w ostatnim, jedenastym wsadzie." Jeśli ta odpowiedź się nie zgadza, to nie mam informacji w kontekście, która mogłaby pomóc w udzieleniu poprawnej odpowiedzi.

Czemu na koniec zrobiłeś się mało rozmowny?

Oto streszczenie odpowiedzi na pytanie kursanta: W opisanym kontekście porównywano dwa modele, A i B, w celu oceny ich skuteczności w rozpoznawaniu cyfry "1". Model A okazał się lepszy niż model B w większości metryk, w tym dokładności, precyzji i F-score. Model B miał wysoką czułość, czyli w stanie rozpoznał wszystkie rzeczywiste "1", ale jednocześnie błędnie zaklasyfikował wszystkie "0" jako "1", co spowodowało niską precyzję i F-score. W związku z tym, model A otrzymał największą ilość % w większości metryk.

Nie, w Google Teachable Machine nie możesz zmienić procentowego rozkładu na zbiór uczący i testowy. Jak pisze: "W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji."

Oto odpowiedź na pytanie kursanta: W sensie uczenia maszynowego, masz rację, że nie możemy określić dokładnością, co robimy dokładnie. Dokładność w uczeniu maszynowym to miara, jak blisko nasze modeli przewidywań są prawdziwymi wartościami.

Dokładność (accuracy) jest często metryką domyślną (np. w GTM); jest uniwersalna, ale często przestaje być miarodajna, jeżeli mamy do czynienia z dużą różnicą liczebności między klasami w danych.

Uczenie maszynowe to dziedzina zajmująca się programami, które mogą automatycznie poprawiać swoje wyniki w wykonywaniu danego zadania.