conversation_by_fa5

[student_fa5]

Jak obliczyć precyzje modelu Uczenia Maszynowego?

[bot_external]

Odpowiedź na to pytanie jest zawarta w pierwszym fragmencie tekstu. Precyzja modelu Uczenia Maszynowego jest obliczana jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne.

W przykładzie z ilustracji, 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%.

[student_fa5]

Jak jest obliczana czułość w pytaniu w sekcji sprawdz się?

[bot_external]

Odpowiedź na to pytanie jest zawarta w sekcji "sprawdz się" w pierwszym fragmencie tekstu. Czułość jest obliczana jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. W przykładzie z ilustracji, aby obliczyć czułość, bierzemy liczbę chorych poprawnie sklasyfikowanych jako chorych, czyli 27, i dzielimy przez liczbę wszystkich chorych osób w zbiorze testowym, czyli 30. Otrzymujemy w zaokrągleniu 90%.

[student_fa5]

gdzie jest stosowane uczenie maszynowe?

[bot_external]

Odpowiedź na to pytanie jest zawarta w trzecim fragmencie tekstu. Uczenie Maszynowe jest szeroko stosowane między innymi w takich dziedzinach jak:

• rozpoznawanie obrazów i dźwięków
• analiza danych
• budowanie złożonych modeli językowych (takich jak np. ChatGPT)
• diagnostyka medyczna
• autonomiczne sterowanie
• wiele innych.

[student_fa5]

Jak załadować dane przykładowe do klasy w Google Teaching Machine?

[bot_external]

Odpowiedź na to pytanie jest zawarta w drugim fragmencie tekstu. Aby załadować dane przykładowe do klasy w Google Teachable Machine, należy:

1. Otworzyć Google Teachable Machine.
2. Wciśnij niebieski przycisk "Rozpocznij".
3. Wybierz opcję "Otwórz istniejący projekt z pliku" i wskazujesz plik "model_B1-3.tm" z Materiałów (folder "Modele").
4. Po załadowaniu modelu należy wcisnąć "Trenuj model".
5. Po wytrenowaniu modelu załaduj po kolei pliki "test_B0.jpg", "test_B1.jpg", "test_B2.jpg" i "test_B3.jpg" - zobacz, jak zostaną sklasyfikowane przez model.

W tym przykładzie, po załadowaniu modelu i jego wytrenowaniu, można załadować pliki "test_B0.jpg", "test_B1.jpg", "test_B2.jpg" i "test_B3.jpg" do klasy w Google Teachable Machine.

[student_fa5]

Jak naprawić model w przypadku danych spoza klas?

[bot_external]

Aby naprawić model w przypadku danych spoza klas, należy:

1. Dodać nową klasę dla danych spoza klas.
2. Załadować do niej dane z katalogu "dane spoza klas" z Materiałów.
3. Ponownie wytrenować model.
4. Ponownie załadować plik "test_B3.jpg" do sekcji "Podgląd" (może być konieczne zresetowanie danych wejściowych poprzez ponowne wybranie źródła).

Przykładem tego procesu jest sytuacja, w której model nie potrafi rozpoznać cyfry 4, ponieważ w procesie trenowania nikt nie uświadomił go, że taka cyfra w ogóle istnieje. Aby naprawić tę sytuację, należy dodać nową klasę dla cyfry 4, załadować do niej dane z katalogu "4" z Materiałów, ponownie wytrenować model i ponownie załadować plik "test_B3.jpg" do sekcji "Podgląd".

[student_fa5]

Jakie problemy mogą się pojawić w procesie uczenia modelu?

[bot_external]

W procesie uczenia modelu mogą pojawić się dwa powszechne problemy: przeuczenie i czas obliczeń.

Przeuczenie jest problemem, w którym model uczy się zbyt dobrze danych treningowych, ale nie jest w stanie ogólnie generalizować do nowych danych. Jest to spowodowane dodatkowymi warstwami abstrakcji w modelu, które pozwalają mu modelować rzadkie zależności w danych treningowych.

Czas obliczeń jest problemem, w którym model wymaga zbyt dużo czasu i zasobów obliczeniowych do przetworzenia danych. Jest to spowodowane tym, że model musi uwzględniać wiele parametrów treningowych, takich jak rozmiar, współczynnik uczenia i wagi początkowe.

Aby temu zaradzić, istnieją różne sztuczki, takie jak przetwarzanie wsadowe, przyspieszające obliczenia, oraz duże możliwości przetwarzania architektur wielordzeniowych, takich jak GPU lub Intel Xeon Phi.

[student_fa5]

W jakiej proporcji zazwyczaj jest dzielony cały zbiór danych na zbióry uczący i testowy?

[bot_external]

Zazwyczaj cały zbiór danych jest dzielony na zbiory uczący i testowy w proporcji 85:15.

[student_fa5]

czym jest wsad?

[bot_external]

Wsad to technika przetwarzania danych, która polega na przetwarzaniu danych w małych porcjach, zamiast jednoczesnego przetwarzania całego zbioru danych. Jest to technika stosowana w przypadku dużych zbiorów danych, które nie pasują do pamięci RAM komputera.