conversation_by_jav
-
Topic created
-
Czym jest uczenie maszynowe ?
-
Czym jest uczenie maszynowe ?
Uczenie maszynowe to obszar Sztucznej Inteligencji koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.
Główne elementy Uczenia Maszynowego to: dane - duże zbiory danych używane do trenowania i testowania działania modelu, model - matematyczna reprezentacja problemu, uczona na podstawie danych, algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych, funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model, optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty.
-
Na czym polega uczenie przez doswiadczenie w przypadku algorytmu uczenia maszynowego
-
Na czym polega uczenie przez doswiadczenie w przypadku algorytmu uczenia maszynowego
Uczenie przez doświadczenie w przypadku algorytmu uczenia maszynowego polega na automatycznym poprawianiu się algorytmu poprzez ekspozycję na dane.
-
Czym jest trenowanie modelu
-
Czym jest trenowanie modelu
Trenowanie modelu polega na optymalizacji parametrów, które mogą być wykorzystane do dopasowania modelu do systemu, który ma opisywać. Jeśli modelowanie jest realizowane za pomocą sztucznej sieci neuronowej lub innego uczenia maszynowego, optymalizacja parametrów nazywana jest trenowaniem.
-
czym jest istotność danych
-
czym jest istotność danych
Istotność danych jest ważna w Uczeniu Maszynowym, ponieważ dane są zbierane z różnorodnych źródeł, takich jak czujniki w środowisku, wywiady, pobieranie z zasobów internetowych lub czytanie dokumentacji. Dane mogą być również uzyskane poprzez wywiady, pobieranie z zasobów internetowych lub czytanie dokumentacji.
Zbieranie danych to proces gromadzenia i mierzenia informacji o docelowych zmiennych w ustalonym systemie, który następnie umożliwia odpowiadanie na istotne pytania i ocenę wyników.
Jakość danych powinna być sprawdzana tak wcześnie, jak to możliwe, ponieważ jakość danych może wpływać na poprawność wyników.
-
jak naprawić model
-
jak naprawić model
Aby naprawić model, możesz spróbować odpowiedniego doboru danych, tak aby w zbiorze, na którym model był trenowany, w klasie "Kot", znalazły się także obrazy przedstawiające osobniki gatunku Lykoi. Spróbujmy tak zrobić. Przy klasie "Kot" wciśnij przycisk "Prześlij" i załącz zawartość folderu "lykoi", po czym jeszcze raz wytrenuj model i ponownie wgraj plik "test_3.jpg" jako dane wejściowe (być może będzie trzeba wyłączyć i włączyć przełącznik znajdujący się przy napisie "Dane wejściowe" i ponownie wybrać źródło - "Plik").
-
czym się różni zbiór uczący od zbioru testowego
-
czym się różni zbiór uczący od zbioru testowego
Zbiór uczący i zbiór testowy to dwa różne rodzaje danych, które są używane w procesie uczenia modelu. Zbiór uczący to dane, które model widzi i uczy się z nich, wiedząc już, jakie są poprawne odpowiedzi. To jakby repetytorium zadaniami, które model rozwiązuje, aby opanować materiał. Zbiór testowy to dane, które model nie widział wcześniej i nie wie, jakie są poprawne odpowiedzi. To jakby zadania egzaminacyjne, które model musi rozwiązać, aby dowiedzieć się, jak dobrze się nauczył.
-
czym są epoki
-
czym są epoki
Epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).
-
co jeśli dokładnośc jest 1
-
co jeśli dokładnośc jest 1
Jeśli dokładność jest 1, to według definicji, dokładność to liczba poprawnie zaklasyfikowanych przykładów testowych (true positive (TP), tutaj zero, plus true negative (TN), czyli 99 przykładów) podzielona przez liczbę wszystkich przykładów testowych (100). Na ilustracji widzimy, że dla omawianego przypadku dokładność będzie bardzo wysoka i wyniesie aż 99%.
-
czym jest precyzja
-
czym jest precyzja
Precyzja jest kolejną metryką, którą można wykorzystać do opisu jakości modelu Uczenia Maszynowego. Definiujemy ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne.
W naszym przykładzie, aby obliczyć precyzję, bierzemy liczbę prawidłowo wykrytych chorób, czyli 27, i dzielimy przez liczbę wszystkich osób sklasyfikowanych przez model jako chore, czyli 31. Otrzymujemy w zaokrągleniu 87%.