conversation_by_tcn

[student_905_tcn]

to uczenie przez wzmacnianie to jest reinforcement learning czy nie?

[bot_external]

Tak, to uczenie przez wzmacnianie to jest reinforcement learning.

[student_905_tcn]

w jaki sposób ten algorytm na tych google teachable machine dostosowuje hiperparametry dla każdego użytkownika

[bot_external]

W Google Teachable Machine, algorytm automatycznie dostosowuje hiperparametry dla każdego użytkownika, ale nie ma informacji w dostępnym kontekście, które by opisane były w sposób szczegółowy.

[student_905_tcn]

czy wytrenowany model można pobrać potem?

[bot_external]

Tak, wytrenowany model można pobrać potem. W Google Teachable Machine, po wytrenowaniu modelu, można go załączyć do swojego projektu i pobrać jako plik.

[student_905_tcn]

to nie lepiej po prostu fine tuning robić dla danych co nas interesują jeśli będą dziwniejsze akurat?

[bot_external]

Nie, nie jest to najlepsza metoda. W opisanym kontekście, wytrenowany model można pobrać potem i załączyć do swojego projektu, ale nie ma informacji o fine tuningu modelu dla danych, które są dziwniejsze akurat.

[student_905_tcn]

nie mówię o tym przykładzie tylko o sekcji b1 w której jestem teraz

[bot_external]

Nie mówisz o tym przykładzie, tylko o sekcji B1, w której jesteś teraz. W tej sekcji opisano, że model ma problem z rozpoznaniem niechlujnie zapisanej cyfry. W takich przypadkach, mamy dwa wyjścia:

1. Jeżeli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych, a następnie dodać je do prawidłowych dla nich klas - musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek.

2. Jeżeli sami nie dysponujemy prawidłową odpowiedzią w przypadkach granicznych, możemy stworzyć klasę pośrednią, w tym wypadku np. "Nieokreślone", i umieścić w niej wszystkie trudne przypadki.

[student_905_tcn]

to napewno jest efektywne? nie lepiej ręcznie model stworzyć i trenować? (sekcja b2)

[bot_external]

Nie jestem w stanie udzielić pełnej odpowiedzi na to pytanie, ponieważ nie ma informacji w dostępnym kontekście, które by opisane były w sposób szczegółowy. W sekcji B2 nie ma informacji o porównaniu efektywności automatycznego tworzenia i trenowania modelu z ręcznym tworzeniem i trenowaniem.

[student_905_tcn]

ale pytam ciebie a nie o opinię a nie sekcję

[bot_external]

Nie mogę udzielić pełnej odpowiedzi na to pytanie, ponieważ nie ma informacji w dostępnym kontekście, które by opisane były w sposób szczegółowy.

[student_905_tcn]

skąd ja niby mam mieć model i te pliki z danymi w teście BT???

[bot_external]

W opisanym kontekście, model i pliki z danymi są dostępne w folderze "Modele" i "Materiały" wraz z kursem. W sekcji B1, opisano, że model jest wczytywany z pliku "model_B1-3.tm" z folderu "Modele". Pliki z danymi, takie jak "test_B2.jpg" i "test_B3.jpg", są również dostępne w folderze "Materiały".

[student_905_tcn]

jest za mało opcji zaawansowanych w przypadku treningu modelu tam, nie sądzisz?

[bot_external]

Nie, nie sądzę. W opisanym kontekście, w sekcji "Zaawansowane" w menu "Dla zaawansowanych" są dostępne różne opcje, takie jak wyświetlanie macierzy pomyłek, obliczanie dokładności modelu, a także informacje o epokach i wielkości wsadu.

[student_905_tcn]

nie ma tu powtórzonej informacji by uważać na overfitting przy zwiększaniu num of epochs, czemu?

[bot_external]

W opisanym kontekście nie ma informacji, które by wskazywały, że zwiększanie liczby epok (num of epochs) może powodować problem overfittingu. W sekcji "Overfitting - Resolving underfitting" opisano kilka sposobów radzenia sobie z overfittingiem, takich jak zwiększenie złożoności modelu, użycie innego algorytmu, zwiększenie ilości danych treningowych, regularyzacja, metody zespołowe, inżynieria cech, ale nie ma informacji o zwiększaniu liczby epok jako sposobie radzenia sobie z overfittingiem.