conversation_by_dn2
-
Jakie możemy mieć problemy odnośnie danych w uczeniu maszynowym?
-
Jakie możemy mieć problemy odnośnie danych w uczeniu maszynowym?
W oparciu o dostępny kontekst, możemy stwierdzić, że w ramach uczenia maszynowego mogą występować problemy związane z danymi, takie jak:
- Brak odpowiednich danych
- Brak dostępu do danych
- Obciążenie danych
- Problemy z prywatnością
- Źle dobrane zadania i algorytmy
- Niewłaściwe narzędzia i ludzie
- Brak zasobów
- Problemy z ewaluacją
- "Teoria czarnej skrzynki" - sytuacja, w której algorytm lub proces wytwarzania wyniku jest całkowicie nieprzejrzysty.
Dodatkowo, w kontekście opisanym w dostępnym tekście, wskazano na przykłady problemów związanych z danymi w uczeniu maszynowym, takie jak:
- Nieprawidłowe działanie modelu w opiece zdrowotnej z systemem IBM Watson
- Generowanie wrogich i obraźliwych odpowiedzi przez chatbot Bing Chat firmy Microsoft
- Zwiększenie obciążenia recenzentów związane z rozwojem literatury biomedycznej.
Jeśli chodzi o rozwiązanie problemów związanych z danymi w uczeniu maszynowym, w dostępnym kontekście nie ma informacji, które pozwoliłyby mi odpowiedzieć na to pytanie.
-
Jak rozwiązać problem danych spoza klas w uczeniu maszynowym?
-
Jak rozwiązać problem danych spoza klas w uczeniu maszynowym?
Nie mam informacji w dostępnym kontekście, które pozwoliłyby mi odpowiedzieć na to pytanie.
-
Jak wyglądają proporcje w podziale danych?
-
Jak wyglądają proporcje w podziale danych?
W oparciu o dostępny kontekst, w Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Jednakże, nie oznacza to, że ta proporcja jest jedynym słusznym wyborem. W praktyce, zbiór testowy może obejmować od 10% do 20% wszystkich danych, lub nawet mniej przy bardzo dużych zbiorach danych.
-
Opisz zwięźle czym są epoki.
-
Opisz zwięźle czym są epoki.
W oparciu o dostępny kontekst, epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).
-
Czym jest przeuczenie
-
Czym jest przeuczenie
W oparciu o dostępny kontekst, przeuczenie to przeciwieństwo niedouczenia (niedopasowania modelu). Występuje ono wtedy, gdy model jest zbyt prosty, by poradzić sobie skutecznie z danymi ze zbioru uczącego. Przekładając to na nauczanie matematyki, przeuczony model to uczeń, który rozwiązał zbyt wiele zadań z repetytorium i nie potrafi generalizować ich rozwiązań na inne zadania.
-
co to GTM?
-
co to GTM?
GTM to skrót od Google Teachable Machine, czyli przeglądarkowe narzędzie udostępnione przez firmę Google, które umożliwia tworzenie modeli Uczenia Maszynowego (oraz zapisywanie ich do wykorzystania w dowolnych zastosowaniach). Do korzystania z GTM nie są potrzebne żadne umiejętności programistyczne ani matematyczne, wystarczy jedyne ogólne zrozumienie, czym Uczenie Maszynowe jest.
-
czy model z metryką 0,7 jest lepszy od modelu z metryką 0,9?
-
czy model z metryką 0,7 jest lepszy od modelu z metryką 0,9?
Nie, model z metryką 0,7 nie jest lepszy od modelu z metryką 0,9. Jak wskazano w dostępnym kontekście, im wyższa wartość metryki, tym wyższa ocena modelu.
-
co to dokładność?
-
co to dokładność?
Dokładność to podstawowa i najczęściej wykorzystywana metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej - jeżeli model będzie się zawsze mylił, dokładność wyniesie 0, natomiast jeżeli wszystkie testowe przypadki zostaną zaklasyfikowane poprawnie, dokładność wyniesie 1.
-
precyzja?
-
precyzja?
Precyzja to ułamek instancji istotnych wśród pobranych instancji. Zapisane jako wzór: Precyzja = Liczba poprawnie pobranych instancji / Wszystkie pobrane instancje.