conversation_by_96v

[bot_external]

Uczenie maszynowe jest obszarem Sztucznej Inteligencji (ang. Artificial Intelligence - AI).

[student_96v]

jakie są głównie elementy Uczenia Maszynowego?

[bot_external]

Główne elementy Uczenia Maszynowego to:

1. Dane - duże zbiory danych używane do trenowania i testowania działania modelu.
2. Model - matematyczna reprezentacja problemu, uczona na podstawie danych.
3. Algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych.
4. Funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model.
5. Optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty.

Te elementy są podstawowymi składnikami Uczenia Maszynowego i są niezbędne do jego prawidłowego działania.

[student_96v]

jak zachowa się model gdy damy mu obraz który nie należy do żadnej z klas?

[bot_external]

Zachowanie modelu w takiej sytuacji nie jest dokładnie opisane w dostępnym kontekście. Jednak możemy wywnioskować, że model powinien zachować się w sposób logiczny i niezależnie od tego, czy obraz należy do żadnej z klas, model powinien wydać wynik, który nie jest 100% pewny, ponieważ nie ma danych do oceny.

W przykładzie z "test_1.jpg" model wydał wynik 100% mówiący, że obraz jest psem, ale nie wiemy, jak model zachowałby się, gdyby obraz nie należał do żadnej z klas.

[student_96v]

jaka jest różnica między błędem "nierówna liczebność klas", a "przypadek graniczny między klasami"?

[bot_external]

Różnica między błędem "nierówna liczebność klas" a "przypadek graniczny między klasami" nie jest dokładnie opisana w dostępnym kontekście. Jednak możemy wywnioskować, że błąd "nierówna liczebność klas" dotyczy sytuacji, w której model jest niesprawiedliwy wobec mniejszościowej klasy, np. gdy w zbiorze danych jest tylko jeden przykład z mniejszościowej klasy, a model zawsze przypisuje go do większościowej klasy.

Natomiast "przypadek graniczny między klasami" nie jest opisany w dostępnym kontekście.

[student_96v]

czym jest zbiór uczący i zbiór testowy w skrócie?

[bot_external]

Zbiór uczący (inaczej treningowy, ang. train set) - dane, dla których model zna poprawne odpowiedzi i na których jest trenowany.

Zbiór testowy (ang. test set) - dane, z którymi model nie miał do czynienia w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi, wykorzystywane do przetestowania, jak dobrze model jest wytrenowany.

W skrócie, zbiór uczący to dane, na których model się uczy, a zbiór testowy to dane, które są używane do przetestowania, jak dobrze model jest wytrenowany.

[student_96v]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla pięciu klas. Dla każdej z klas dostarczyliśmy po 500 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

[bot_external]

Zbiór testowy w Google Teachable Machine jest losowo wybierany z całościowego zbioru danych. Nie ma określonej liczby przykładów, które muszą być włączone do zbioru testowego.

[student_96v]

czym na przykładzie jest przeuczenie?

[bot_external]

Przeuczenie (ang. overfitting) - stan, w którym model za bardzo dopasował się do konkretnego zbioru uczącego (można powiedzieć, że zapamiętał poprawne odpowiedzi) i w efekcie nie radzi sobie z poprawną klasyfikacją w zbiorze testowym.

[student_96v]

czym, na jakimś przykładzie, jest przeuczenie?

[bot_external]

Przeuczenie (ang. overfitting) - stan, w którym model za bardzo dopasował się do konkretnego zbioru uczącego (można powiedzieć, że zapamiętał poprawne odpowiedzi) i w efekcie nie radzi sobie z poprawną klasyfikacją w zbiorze testowym. Przykładem przeuczenia jest uczeń, który rozwiązał tylko niewielką część zadań z repetytorium i stara się - mało skutecznie - generalizować ich rozwiązania na inne zadania.

[student_96v]

kiedy przypadek jest fałszywie negatywny?

[bot_external]

Fałszywie negatywny przypadek to sytuacja, w której model klasyfikuje osobę lub obiekt jako zdrowy lub niechory, podczas gdy w rzeczywistości jest on chory lub ma chorobę.

[student_96v]

czy precyzja jest w konkretnym wierszu a dokładność na podstawie całej tabeli ibliczana?

[bot_external]

Odpowiedź na to pytanie jest zawarta w poprzednich odpowiedziach kursanta. Dokładność (ang. Accuracy) to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej. Wracając do naszego poprzedniego przykładu - dokładnością modelu oceniającego na podstawie objawów, czy dany pacjent jest chory na chorobę X, będzie suma przykładów osób chorych ocenionych jako chore i osób zdrowych ocenionych jako zdrowe, podzielona przez sumę wszystkich przykładów testowych.

Precyzja (ang. Precision) to inna metryka, która jest definiowana jako stosunek prawdziwie pozytywnych wyników do wszystkich wyników pozytywnych. W kontekście tabeli, precyzja jest obliczana w konkretnym wierszu, natomiast dokładność jest obliczana na podstawie całej tabeli.

[student_96v]

porównaj modele precyzji, dokładności, czułości, F-score