czym jest uczenie maszynowe?

gdzie znajde funkcję wagową f1, t opisaną w ostatniej części wykładu

[eduexe-intent]course_content[/eduexe-intent] Brak informacji w dostarczonym źródle.

[eduexe-intent]course_content[/eduexe-intent] Metryka F-score stanowi kompromis pomiędzy precyzją (precision) i czułością (recall), dzięki czemu ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna. Jest to uniwersalna metryka używana, gdy potrzebny jest balans między precyzją a czułością. Wadą F-score jest to, że wciąż nie jest metryką doskonałą. Bazując na precyzji i czułości, F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady fałszywie negatywne (ćwiartka oznaczona na fioletowo na poprzedniej ilustracji w kursie). [eduexe-source]25:1[/eduexe-source][eduexe-source]25:3[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] W uczeniu maszynowym nadzorowanym wyróżnia się dwa podstawowe problemy: Predykcja – przewidywanie konkretnej wartości liczbowej zmiennej zależnej na podstawie innych zmiennych. Przykładem jest przewidywanie cen mieszkań. Klasyfikacja – przypisywanie obiektu do jednej z określonych klas, np. odróżnianie zdjęć psów od kotów. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Twoje postępy w kursie: Spędziłeś w kursie około 112.05 minut. Osiągnąłeś wynik 41 punktów i, mimo że kurs nie jest jeszcze ukończony, już go zaliczyłeś! Aktualnie znajdujesz się w komponencie "B2 - Istotność danych w UM - naprawa modelu" [eduexe-source]12:1[/eduexe-source]. Co zostało wykonane: Odwiedziłeś wszystkie główne moduły kursu, w tym: Wprowadzenie do Uczenia Maszynowego, Wprowadzenie do Google Teachable Machine, Dane w procesie Uczenia Maszynowego, Podstawowe pojęcia Uczenia Maszynowego, Metryki, Podsumowanie, Zadanie Końcowe oraz Kwestionariusz początkowy i końcowy. Co jeszcze wymaga pracy: Testy z błędnymi odpowiedziami: "Test początkowy" (Komponent 6) "AT - Wprowadzenie do UM - Test" (Komponent 9) "BT - Dane w procesie uczenia - Test" (Komponent 13) "CT - Podstawowe pojęcia UM - Test" (Komponent 19) "Zadanie końcowe" (Komponent 36) Niewykonane interakcje: W module "A3 - Wprowadzenie do UM - dodatkowy przykład" (Komponent 10) znajdują się 2 interakcje, których nie podjąłeś. Aby w pełni ukończyć kurs i ewentualnie poprawić swój wynik, możesz ponownie przejrzeć materiały dotyczące testów, w których popełniłeś błędy, oraz przejść przez pozostałe interakcje.

[eduexe-intent]other[/eduexe-intent] Oto sposoby obliczania poszczególnych metryk: Dokładność (Accuracy): Jest to stosunek poprawnie zaklasyfikowanych przykładów testowych (True Positive + True Negative) do wszystkich przykładów testowych (True Positive + True Negative + False Positive + False Negative). [eduexe-source]22:1[/eduexe-source] Precyzja (Precision): To stosunek poprawnie sklasyfikowanych diagnoz pozytywnych (True Positive) do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne (True Positive + False Positive). [eduexe-source]23:1[/eduexe-source] Czułość (Recall): Jest to stosunek przykładów prawdziwie pozytywnych (True Positive) do wszystkich pozytywnych przykładów w rzeczywistości (True Positive + False Negative). [eduexe-source]24:1[/eduexe-source] F-score: Oblicza się go jako średnią harmoniczną precyzji (Precision) i czułości (Recall), czyli 2 * (Precision * Recall) / (Precision + Recall). [eduexe-source]25:2[/eduexe-source] Wszystkie te metryki opierają się na wartościach z macierzy pomyłek (True Positive, True Negative, False Positive, False Negative). [eduexe-source]21:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Metryki w Uczeniu Maszynowym służą do oceny wytrenowanych modeli, umożliwiając ich porównywanie. Metryka zwraca wartość, która pozwala ocenić, jak dobry jest model – im wyższa wartość, tym lepsza ocena. [eduexe-source]21:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Zgodnie z analizą naszej dotychczasowej rozmowy, pytania, które zadałeś, rozkładają się następująco w odniesieniu do modułów kursu: Moduł A: Wprowadzenie do Uczenia Maszynowego - 7 pytań Moduł B: Dane w Uczeniu Maszynowym - 3 pytania Moduł C: Podstawowe pojęcia Uczenia Maszynowego - 4 pytania Moduł D: Metryki - 5 pytań

[eduexe-intent]student_progress[/eduexe-intent] Spędziłeś w kursie około 134 minuty, wykonując 105 z 154 dostępnych interakcji. Zdobyłeś 21 punktów. Kurs jest zaliczony (PASSED), ale nieukończony w całości. Wykonane: Sekcje wprowadzające i Test początkowy, całe Moduły A, B i C, Moduły D1-D5 i test DT. Ukończyłeś też Kwestionariusz końcowy. Do wykonania: Jesteś w komponencie D8: "Omówienie ćwiczenia z porównywania modeli" [eduexe-source]30:1[/eduexe-source]. Komponent D6: "Porównywanie modeli" [eduexe-source]26:1[/eduexe-source] ma nierozwiązaną interakcję. Pozostało Zadanie końcowe [eduexe-source]35:3[/eduexe-source]. Ponadto, w teście BT (Moduł B) [eduexe-source]13:1[/eduexe-source] miałeś niepoprawne odpowiedzi, warto powtórzyć materiał z tego modułu.

[eduexe-intent]course_content[/eduexe-intent] F-score nie opiera się na dokładności (accuracy), ponieważ dokładność może być myląca, zwłaszcza gdy klasy w danych są znacząco niezbalansowane. W takich przypadkach model może uzyskać wysoką dokładność, błędnie klasyfikując rzadką klasę, jeśli poprawnie przewiduje większość przypadków klasy dominującej. F-score, będąc średnią harmoniczną precyzji i czułości, stanowi próbę stworzenia bardziej uniwersalnej metryki, która ocenia model bardziej obiektywnie, będąc kompromisem między tymi dwoma metrykami. [eduexe-source]22:6[/eduexe-source][eduexe-source]25:3[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] "Świat" modelu faktycznie ogranicza się do danych, na których został wytrenowany. Kiedy model napotyka obiekt spoza swoich zdefiniowanych klas, jak samochód, próbuje przypisać go do kategorii, która jest najbardziej zbliżona do jego wewnętrznych, nauczonych wzorców. Kurs nie precyzuje dokładnie, jakie cechy samochodu sprawiły, że został on zaklasyfikowany jako "pies", a nie "kot" czy "kotopies". Wiemy jednak, że model musiał dokonać wyboru spośród dostępnych mu kategorii, ponieważ nie znał on klasy "samochód". [eduexe-source]11:5[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] W aktualnej części kursu omówiono kluczowe pojęcia: Zbiór uczący: Dane do nauki modelu. Zbiór testowy: Dane do weryfikacji skuteczności modelu. Epoka: Jedno przejście przez cały zbiór uczący. Wsad: Porcja danych przetwarzana jednocześnie. Współczynnik uczenia: Określa wielkość korekty błędów. Funkcja straty: Mierzy błąd modelu; dążymy do minimalizacji. Przeuczenie: Model za dobrze dopasowany do danych uczących, słabo do nowych. Niedouczenie: Model za prosty lub za mało wytrenowany. Macierz pomyłek: Tabela pokazująca poprawne i błędne klasyfikacje. [eduexe-source]20:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Aktualna część kursu to wprowadzenie do podstaw Uczenia Maszynowego (UM). Zapamiętaj, że kurs ma na celu przybliżenie tematyki UM z wykorzystaniem Google Teachable Machine (GTM) i składa się z 4 modułów: Wprowadzenie do UM, Dane w UM, Podstawowe pojęcia UM, Metryki. Całość zajmie około 120 minut. Pamiętaj o pobraniu materiałów do ćwiczeń i systemie punktacji, który uwzględnia testy po każdym module oraz test końcowy. [eduexe-source]1:1[/eduexe-source][eduexe-source]1:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] F-score to metryka służąca do oceny modeli Uczenia Maszynowego, którą oblicza się jako średnią harmoniczną precyzji (precision) i czułości (recall). Stanowi ona kompromis między tymi dwiema metrykami. [eduexe-source]25:2[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Obecnie Twój wynik w kursie to 20 punktów. Biorąc pod uwagę maksymalną liczbę 30 punktów do zdobycia w ukończonych dotąd częściach, Twoje odpowiedzi można ocenić na około 6.7 w skali od 0 do 10. Pamiętaj, że kurs jest jeszcze nieukończony, więc masz możliwość poprawy swojego wyniku. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Dotychczas spędziłeś w kursie około 166 minut. Obecnie znajdujesz się w komponencie "Zakończenie". [47:1] Wykonane: Ukończyłeś "Test początkowy" z wynikiem 10 punktów. [5:interactions] Wypełniłeś "Kwestionariusz początkowy" oraz "Kwestionariusz końcowy". [4:interactions][27:interactions] Przejrzałeś materiały startowe i spis treści. [1:2][3:1] Rozwiązałeś poprawnie wszystkie quizy w modułach A, B, C (oprócz jednego w C3) i D. Rozwiązałeś poprawnie testy cząstkowe z modułów A, B i D. [9:interactions][13:interactions][28:interactions] Wymaga pracy: W komponencie "C3 - Podstawowe pojęcia UM - strata, przeuczenie, niedouczenie" jeden quiz nie został jeszcze rozwiązany. [17:3] Test cząstkowy z modułu C ("CT - Podstawowe pojęcia UM - Test") nie został rozwiązany w pełni poprawnie. [19:interactions] "Zadanie końcowe" nie zostało jeszcze wykonane. [1:1] Twój obecny wynik w kursie to 48 punktów. Status ukończenia kursu to "NIEKOMPLETNY", jednak status sukcesu to "PASSED".

[eduexe-intent]other[/eduexe-intent] Rozumiem. Ponownie podkreślam, że jako AI nie posiadam uczuć i nie mogę ani lubić, ani nie lubić kotów. Nigdy nie wyraziłem niechęci do nich. Moim celem jest wspieranie Cię w nauce. Czy masz jakieś pytania dotyczące kursu?

[eduexe-intent]course_content[/eduexe-intent] Brak informacji w dostarczonym źródle.