conversation_by_irc

[eduexe.admin]

Topic created

[student_905_irc]

Kto wymyślił uczenie maszynowe?

[bot_external]

Nie ma informacji w dostępnym kontekście, która mówiłaby o tym, kto wymyślił uczenie maszynowe.

[student_905_irc]

jak dobrze zoptymalizować uczenie maszynowe?

[bot_external]

Optymalizacja uczenia maszynowego jest procesem dopasowywania parametrów modelu w celu minimalizacji funkcji straty. W kontekście dostępnym, nie ma informacji szczegółowych na temat najlepszych sposobów optymalizacji uczenia maszynowego. Jednak w opisie głównych elementów uczenia maszynowego, wskazano, że funkcja straty jest używana do oceny, jak dobrze model działa, a im niższa strata, tym lepszy model.

W tym kontekście, optymalizacja może być rozumiana jako proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty, co powinno prowadzić do poprawy jakości modelu.

[student_905_irc]

ile zdjęć warto dodać, aby model był dokładny w około 99 procentach

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Kontekst mówi o tym, że model wciąż nie jest dokładny, nawet po dodaniu zdjęć przedstawiających osobniki gatunku Lykoi do klasy "Kot". W jednym z przykładów, model dopuszcza z pewnym prawdopodobieństwem, że ma do czynienia z obiektem pośredniej klasy, ale wciąż nie jest stuprocentowo pewny swojej klasyfikacji.

Nie ma informacji w dostępnym kontekście, która mówiłaby o tym, ile zdjęć warto dodać, aby model był dokładny w około 99 procentach.

[student_905_irc]

czy da się ustawić model tak. aby zwracał "obrazek nie pasuje do modelu"

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Kontekst mówi o tym, jak poprawiać model, ale nie mówi o tym, jak ustawić model, aby zwracał "obrazek nie pasuje do modelu".

W jednym z przykładów, model jest trenowany na klasyfikacji obrazów psów i kotów, ale nie ma informacji o tym, jak ustawić model, aby zwracał "obrazek nie pasuje do modelu". Model może zwracać wynik klasyfikacji, ale nie ma informacji o tym, jak ustawić model, aby zwracał wynik "obrazek nie pasuje do modelu".

Jeśli chcesz ustawić model, aby zwracał "obrazek nie pasuje do modelu", to najprawdopodobniej musisz dodać nową klasę "obrazek nie pasuje do modelu" i trenować model na tej nowej klasie. Jednak nie ma informacji w dostępnym kontekście, która mówiłaby o tym, jak to zrobić.

[student_905_irc]

czy jest limit zdjęć jaki można przesłać

[bot_external]

Odpowiedź na to pytanie nie jest jednoznacznie zawarta w dostępnym kontekście. Nie ma informacji o limicie zdjęć, które można przesłać.

[student_905_irc]

wyłumacz dokładniej róznice między zbiorem testowym a uczącym

[bot_external]

Dokładnie wyjaśniję róznice między zbiorem testowym a uczącym.

Zbiór uczący (ang. train set) to zbiór danych, na których model jest trenowany i który zawiera przykłady, na których model zna poprawne odpowiedzi. Model jest nauczany na tym zbiorze danych, aby mógł dokonywać poprawnych klasyfikacji.

Zbiór testowy (ang. test set) to zbiór danych, który model nie miał do czynienia w procesie uczenia się i który zawiera przykłady, na których model nie zna poprawnych odpowiedzi. Zbiór testowy jest używany do przetestowania, jak dobrze model jest wytrenowany i czy jest w stanie dokonywać poprawnych klasyfikacji.

W praktyce, zbiór uczący jest używany do trenowania modelu, a zbiór testowy jest używany do oceny, jak dobrze model działa. Im lepiej model działa na zbiorze testowym, tym lepiej jest on wytrenowany.

Przykładem może być nauczanie matematyki. Zbiór uczący może być podobny do repetytorium zadaniami, które rozwiązuje się, by opanować materiał, a zbiór testowy może być podobny do zadań egzaminacyjnych, które są rozwiązywane po raz pierwszy.

[student_905_irc]

co jest częściej przydatne accuracy czy precision?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście, w którym mowa jest o precyzji (precision) i dokładności (accuracy) w kontekście klasyfikacji wieloklasowej.

W tym kontekście, precyzja (precision) jest definiowana jako stosunek poprawnych klasyfikacji do wszystkich klasyfikacji, które zostały wykonane przez model. Dokładność (accuracy), z drugiej strony, jest definiowana jako stosunek wszystkich poprawnych klasyfikacji do wszystkich klasyfikacji, które zostały wykonane przez model.

W niektórych przypadkach, precyzja może być przydatniejsza niż dokładność, zwłaszcza w sytuacjach, w których konsekwencje fałszywie pozytywnego wyniku są kosztowne. Na przykład, w diagnostyce medycznej fałszywie pozytywny wynik testu może prowadzić do niepotrzebnego leczenia i wydatków. W takiej sytuacji, precyzja może być bardziej wartościową metryką niż dokładność.

W innych przypadkach, dokładność może być przydatniejsza niż precyzja, zwłaszcza w sytuacjach, w których koszt fałszywie negatywnego wyniku jest wysoki. Na przykład, w wykrywaniu oszustw koszt fałszywie negatywnego wyniku jest wysoki, ponieważ niewykrycie oszukańczej transakcji może skutkować znaczną stratą finansową. W takiej sytuacji, dokładność może być bardziej wartościową metryką niż precyzja.

W zależności od kontekstu i celów, obie metryki mogą być przydatne, ale w niektórych przypadkach, precyzja może być bardziej wartościowa niż dokładność.

[student_905_irc]

podaj wzory naobliczanie accuracu precision i recall. nie dawaj zadnego opisuj oprocz tego

[student_905_irc]

podaj wzory naobliczanie accuracu precision i recall. nie dawaj zadnego opisuj oprocz tego

[student_905_irc]

podaj wzory naobliczanie accuracy

[student_905_irc]

Czy F-score jest zawsze dobrą metryką?

[bot_external]

Odpowiedź na to pytanie jest zawarta w kontekście. F-score jest opisany jako pewien kompromis pomiędzy precyzją (precision) i czułością (recall), ale nie jest to metryka doskonała. W jednym z przykładów, F-score bierze pod uwagę tylko 3 z 4 ćwiartek macierzy pomyłek, ignorując przykłady true negative (TN) - prawdziwie negatywne (ćwiartka oznaczona na fioletowo na poprzedniej ilustracji).

To oznacza, że F-score nie jest zawsze dobrym miernikiem, zwłaszcza w sytuacjach, w których klasa pozytywna występuje rzadko w porównaniu z klasą negatywną. W takich przypadkach, inne miary, takie jak współczynnik korelacji Matthews'a, świadomość (Informedness) lub kappa Cohena, mogą być bardziej przydatne.