conversation_by_khs

[student_994_khs]

Czy Google Teachable Machine zawsze dziala poprawnie? Od czego zalezy to?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Nie, Google Teachable Machine nie zawsze działa poprawnie. Zależy to od kilku czynników, w tym od proporcji danych w zbiorze uczącym i testowym. Jak pisze: "zbiór uczący powinien być znacząco większy od zbioru testowego - by móc skutecznie klasyfikować, model musi mieć szansę potrenować na dużym zbiorze danych".

Dodatkowo, współczynnik uczenia (learning rate) również ma wpływ na poprawność działania modelu. Jak pisze: "Pozostało nam jeszcze jedno techniczne pojęcie - współczynnik uczenia (ang. learning rate), nazywany także stałą uczenia się. Google Teachable Machine zaleca nam wysoką ostrożność przy manipulowaniu tym parametrem - możemy łatwo "popsuć" sobie model nawet niewielkimi jego zmianami".

[student_994_khs]

Co się stanie keidy wprowadze dane (obrazek) z poza klas?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Innym pomysłem na poradzenie sobie z przypadkami skrajnymi jest stworzenie dodatkowej, pośredniej klasy. Możemy wypróbować tę metodę - usuń 5 zdjęć "kota-wilkołaka" z klasy "Kot" za pomocą przycisku kosza pojawiającego się po najechaniu myszką na zdjęcie, a następnie kliknij "Dodaj klasę", nazwij ją na przykład "Kotopies" i wgraj do niej zawartość folderu "lykanoi".

[student_994_khs]

Czy ma zanczenie liczebnosc danych w klasach?

[bot_external]

Tak, ma znaczenie liczność danych w klasach. Jak pisze: "zbiór uczący powinien być znacząco większy od zbioru testowego - by móc skutecznie klasyfikować, model musi mieć szansę potrenować na dużym zbiorze danych".

[student_994_khs]

jaka jest glowna roznica miedzy przykladami treningowymi a testowymi?

[bot_external]

Oto streszczenie odpowiedzi na pytanie kursanta:

Główna różnica między przykładami treningowymi a testowymi polega na tym, że przykłady treningowe są dostępne dla modelu w czasie procesu uczenia się, natomiast przykłady testowe są ukryte i nie są dostępne dla modelu. Przykłady treningowe są używane do dopasowania modelu, natomiast przykłady testowe są używane do oceny jego skuteczności. W praktyce, przykłady treningowe są używane do trenowania modelu, a przykłady testowe są używane do przetestowania jego wyników.

[student_994_khs]

Czy w Google Teachable Machine mogę zeminic procentowy rozklad na zbior uczący i testowy?

[bot_external]

Nie, w Google Teachable Machine nie możesz zmienić procentowego rozkładu na zbiór uczący i testowy. Jak pisze: "W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji."