conversation_by_ohl

[eduexe.admin]

Topic created

[student_905_ohl]

Jaka jest historia uczenia maszynowego?

[bot_external]

Historia uczenia maszynowego jest opisana w jednym z dostępnych fragmentów tekstu. W 1982 roku wprowadzono paradygmat samouczenia się, który jest rodzajem uczenia maszynowego. Jest to opisane w kontekście sieci neuronowej zdolnej do samouczenia się, nazwanej krzyżową adaptacyjną macierzą (CAA).

[student_905_ohl]

Jaki jest podział uczenia maszynowego?

[bot_external]

Podział uczenia maszynowego jest opisany w jednym z dostępnych fragmentów tekstu. Uczenie maszynowe można podzielić na trzy główne podkategorie:

1. Uczenie nadzorowane (ang. supervised learning) - model ma dostęp do "prawidłowych odpowiedzi" (tzw. etykiety wynikowe) i jego zadaniem jest nauczyć się rozpoznawać wzorce w danych.
2. Uczenie nienadzorowane (ang. unsupervised learning) - model nie ma dostępu do "prawidłowych odpowiedzi" i jego zadaniem jest samemu odkryć wzorce i zależności w danych.
3. Uczenie przez wzmacnianie (ang. reinforcement learning) - model uczy się wchodząc w interakcje ze środowiskiem, poprzez system kar i nagród.

W niniejszym kursie skupimy się dalej wyłącznie na uczeniu nadzorowanym.

[student_905_ohl]

Jak mozemy poradzic sobie z problem, gdy mamy dane spoza klasy?

[bot_external]

W takim przypadku możemy stworzyć klasę pośrednią, np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki. Możemy również poszukać w dodatkowych danych łącznie z ich prawidłową, jednoznaczną identyfikacją i dodać je do prawidłowych dla nich klas, jeśli dysponujemy nimi.

[student_905_ohl]

A jak mozemy poradzic sobie z problemem gdy wystepuje nierowna liczebnosc klas

[bot_external]

W przypadku nierównomiernego rozkładu klas, model może zignorować klasę mniej liczną i automatycznie przypisać wszystkie przykłady do klasy dominującej. Aby rozwiązać ten problem, możemy stworzyć dodatkową klasę pośrednią, np. "Kotopies", i umieścić w niej zawartość folderu "lykanoi". W ten sposób model będzie miał trudniej zignorować klasę mniej liczną i będzie mógł lepiej rozróżniać pomiędzy klasami.

[student_905_ohl]

co to zbior uczacy

[bot_external]

Zbiór uczący (ang. train set) to zbiór przykładów, na których model się uczy, znając z góry prawidłową klasyfikację. Na przykład, w naszym przypadku, zbiór uczący będzie zawierał zdjęcia kanarków podpisanych jako kanarki oraz zdjęcia wróbli podpisanych jako wróble.

[student_905_ohl]

co to zbior testowy

[bot_external]

Zbiór testowy (ang. test set) to zbiór przykładów, których model nie wykorzystał w procesie uczenia się, wykorzystywany do przetestowania modelu. Jest to zbiór danych, który jest niezależny od zbioru danych treningowych, ale który ma taki sam rozkład prawdopodobieństwa jak zbiór danych treningowych. Model konfrontowany jest z przykładami z tego zbioru, a wyniki są porównywane z rzeczywistymi klasyfikacjami przykładów w celu oceny dokładności modelu.

[student_905_ohl]

Co to jest prezycja z kontekscie uczenia maszynowego

[bot_external]

W kontekście uczenia maszynowego, "przewidywanie" (ang. prediction) odnosi się do procesu przewidywania wartości lub klasyfikacji nieznanego przykładu na podstawie wzorców i reguł odkrytych w danych treningowych. Jest to kluczowa część uczenia maszynowego, w którym model uczy się rozpoznawać wzorce w danych i generować przewidywania na nowych, nieznanym przykładach.

Przewidywanie może być realizowane w różnych formach, takich jak:

• Klasyfikacja: przypisanie przykładu do jednej z kilku klas lub kategorii.
• Regresja: przewidywanie wartości ciągłej, takiej jak cena lub temperatura.
• Wykrywanie anomalii: identyfikacja przykładów, które nie pasują do wzorców w danych.

Wszystkie te formy przewidywania są ważne w różnych dziedzinach, takich jak opieka zdrowotna, finanse, marketing i inne.

[student_905_ohl]

Co to jest czulosc w kontekscie uczenia maszynowego

[bot_external]

W kontekście uczenia maszynowego, "czułość" (ang. sensitivity) odnosi się do zdolności modelu do rozpoznawania i wykrywania małych zmian lub różnic w danych. Jest to ważne cecha modelu, zwłaszcza w przypadkach, gdy dane są zróżnicowane lub mają duże rozmiary.

Czułość modelu może być określana jako zdolność modelu do:

• Rozpoznawania małych zmian w danych
• Wykrywania różnic w danych
• Określania prawdopodobieństwa wystąpienia określonego zjawiska lub zmiany w danych

W praktyce, czułość modelu może być oceniana za pomocą różnych miar, takich jak:

• Wrażliwość (sensitivity) - określa zdolność modelu do rozpoznawania małych zmian w danych
• Specyficzność (specificity) - określa zdolność modelu do unikania fałszywych alarmów
• Precyzja (precision) - określa zdolność modelu do określania prawidłowych wyników

Dobry model powinien mieć odpowiedni poziom czułości, aby być skuteczny w rozpoznawaniu i wykrywaniu zmian w danych.