czym jest uczenie maszynowe?

[eduexe-intent]course_content[/eduexe-intent] Tak, Twoje rozumienie jest trafne. Kurs podkreśla, że samo accuracy może być mylące, zwłaszcza gdy mamy do czynienia z niezbalansowanymi klasami. Rozkład prawdopodobieństwa wystąpienia klas, czyli ich liczebność, jest kluczowy dla oceny skuteczności modelu. Jeśli klasy są nierównoliczne (np. jedna klasa jest znacznie rzadsza), wysoka dokładność może nie świadczyć o dobrym modelu, ponieważ może on po prostu klasyfikować wszystkie przypadki jako należące do klasy dominującej. W takich sytuacjach należy patrzeć na inne metryki, takie jak precyzja, czułość czy F-score, które lepiej oddają rzeczywistą skuteczność modelu dla każdej z klas. [eduexe-source]22:6[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Tak, wartość liczbowa "87,5" jest poprawna. Problem wynikał jedynie z formatowania (spacji na początku odpowiedzi), a nie z samej wartości.

[eduexe-intent]course_content[/eduexe-intent] Tak, macierz pomyłek zawsze wskazuje na dane ze zbioru testowego. Jest ona przygotowywana dla zbioru testowego, aby odczytać, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] W modelu z wieloma klasami, takimi jak "koty" i "psy", precyzję oblicza się zazwyczaj dla każdej klasy osobno. Dla danej klasy (np. "koty") precyzja to stosunek poprawnie sklasyfikowanych kotów (prawdziwie pozytywnych) do wszystkich przypadków, które model oznaczył jako koty (czyli poprawnie sklasyfikowanych kotów plus psów błędnie zaklasyfikowanych jako koty). Analogicznie postępuje się dla klasy "psy". [eduexe-source]23:1[/eduexe-source][eduexe-source]29:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Nie ma jednej "najlepszej" metryki. Każda z omówionych metryk ma swoje wady i zalety, a wybór tej najodpowiedniejszej zależy od zbioru danych oraz głównego celu, jaki ma spełniać model. [eduexe-source]26:4[/eduexe-source] Dokładność (accuracy) jest uniwersalna, ale może być niemiarodajna przy dużej różnicy liczebności między klasami. Precyzja (precision) jest najważniejsza, gdy celem jest ograniczenie liczby fałszywie pozytywnych przypadków. Czułość (recall) jest kluczowa, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy (ograniczenie fałszywie negatywnych). F-score to uniwersalna metryka, gdy potrzebny jest kompromis między precyzją a czułością.

[eduexe-intent]other[/eduexe-intent] Dziękuję za propozycję, ale jestem asystentem AI i nie mogę jeść żelków. Mam nadzieję, że smakują!

[eduexe-intent]course_content[/eduexe-intent] Metrykami w kontekście Uczenia Maszynowego określamy miary służące do oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmuje model jako argument i zwraca wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza wyższą ocenę modelu. [eduexe-source]21:1[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] W "Karcie Oceny" (czyli w sekcjach "Podsumowanie aktywności" [eduexe-source]31:1[/eduexe-source][eduexe-source]38:1[/eduexe-source]) punkty są przyznawane wyłącznie za test początkowy, testy cząstkowe oraz test końcowy. Główne komponenty kursu, które możesz nazywać "wykładami" lub "wykładami asynchronicznymi UM", nie są indywidualnie punktowane. Ich ukończenie wpływa na postęp w kursie, ale nie przekłada się na konkretne punkty widoczne w karcie ocen.

[eduexe-intent]student_progress[/eduexe-intent] Za kurs zostanie Ci naliczony korzystniejszy z dwóch wyników: suma punktów za test początkowy i wszystkie testy cząstkowe, albo suma punktów za test początkowy i test końcowy. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Tak, w Google Teachable Machine (GTM) metryki są liczone automatycznie, choć z pewnymi ograniczeniami. Dokładność (Accuracy) dla poszczególnych klas jest dostępna w zakładce "Dla zaawansowanych", w sekcji "Dokładność wg klas". GTM udostępnia również macierz pomyłek, na podstawie której możesz samodzielnie obliczyć dokładność całego modelu oraz inne metryki, takie jak Precyzja, Czułość czy F-score. [eduexe-source]22:3[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Czułość (recall) to metryka, która pokazuje, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Mówiąc prościej, jeśli szukasz wszystkich chorych osób, czułość powie Ci, ilu z nich Twój model faktycznie rozpoznał jako chorych spośród wszystkich chorych osób w danych. [24:1]

[eduexe-intent]course_content[/eduexe-intent] F-score jest metryką oceny modelu uczenia maszynowego, która stanowi kompromis między precyzją (precision) a czułością (recall). Oblicza się ją jako średnią harmoniczną tych dwóch metryk. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Dokładność (Accuracy), choć jest podstawową i najczęściej wykorzystywaną metryką, często przestaje być miarodajna, jeśli mamy do czynienia z dużą różnicą liczebności między klasami w danych. W takich przypadkach model może mieć wysoką dokładność, ale być bezużyteczny dla głównego celu. [eduexe-source]22:6[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Kurs przybliża podstawy Uczenia Maszynowego (ML) za pomocą intuicyjnych przykładów i narzędzia Google Teachable Machine. Składa się z 4 modułów tematycznych: Wprowadzenie do UM, Dane w UM, Podstawowe pojęcia UM i Metryki. Każdy moduł kończy się testem podsumowującym. Realizacja kursu zajmuje około 2 godzin. System punktacji obejmuje test początkowy (max 10 pkt) oraz sumę punktów z testów cząstkowych (max 20 pkt) lub test końcowy (max 20 pkt), licząc korzystniejszy wynik. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Uczenie Maszynowe (ML) to dziedzina Sztucznej Inteligencji, w której komputer uczy się na podstawie danych (przykładów), zamiast być programowanym krok po kroku. Dzięki temu tworzy modele zdolne do podejmowania decyzji lub prognozowania. [eduexe-source]7:1[/eduexe-source] Przykład: Zamiast pisać dokładne instrukcje, jak odróżnić psa od kota, komputerowi pokazujemy tysiące zdjęć psów i kotów (oznaczonych jako "pies" lub "kot"). On sam uczy się, co je charakteryzuje, a potem rozpoznaje nowe zdjęcia. Taki sposób nauki to uczenie nadzorowane, na którym skupia się ten kurs. [eduexe-source]7:6[/eduexe-source] Pytanie sprawdzające: Jaka jest główna różnica między uczeniem nadzorowanym a nienadzorowanym?

[eduexe-intent]course_content[/eduexe-intent] Macierz pomyłek (ang. confusion matrix), nazywana również tablicą pomyłek, to tabela pokazująca, ile przykładów ze zbioru testowego zostało poprawnie zaklasyfikowanych przez model do właściwej klasy, a ile błędnie. Ma ona kluczowe znaczenie dla oceny modeli i jest podstawą do obliczania metryk. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]