conversation_by_2gp

[bot_external]

Celem kursu jest przybliżenie tematyki podstaw Uczenia Maszynowego (UM, ang. Machine Learning - ML) z wykorzystaniem intuicyjnych przykładów.

[student_994_2gp]

Nie podoba mi się, to co mówisz

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu. Czy mogę pomóc w jakikolwiek inny sposób?

[student_994_2gp]

To nie było pytanie

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu. Czy mogę pomóc w jakikolwiek inny sposób?

[student_994_2gp]

Jakie są główne elementy kursu

[bot_external]

Główne elementy kursu Uczenia Maszynowego (UM) to:

• Celem kursu jest przybliżenie tematyki podstaw UM z wykorzystaniem intuicyjnych przykładów.
• Kurs składa się z czterech modułów tematycznych:

• Moduł A: Wprowadzenie do UM (definicja, podział i zastosowania UM)
• Moduł B: Dane w UM (problemy z danymi i sposoby ich rozwiązywania)
• Moduł C: Podstawowe pojęcia UM (zbiór uczący, zbiór testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek)
• Moduł D: Metryki (dokładność, precyzja, czułość, F-score, porównywanie modeli)

• Kurs zawiera zadania praktyczne wykonywane w zewnętrznym narzędziu - Google Teachable Machine.
• Każdy moduł kursu kończy się krótkim testem podsumowującym.
• Realizacja całego kursu powinna zająć około 2 godzin.

[student_994_2gp]

A główne elementy uczenia maszynowego?

[bot_external]

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

[student_994_2gp]

Czy sztuczna inteligencja jest obszarem Uczenia Maszynowego?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Uczenie Maszynowe (UM, ang. Machine Learning - ML) - obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane.

[student_994_2gp]

Rozwiń mocniej temat

[student_994_2gp]

od czego zależy wielkość wsadu?

[bot_external]

Odpowiedź na to pytanie zawarta jest w następujących cytatach:

"Ogólnie rzecz ujmując, wielkość wsadu to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania."

"Co do zasady, im większa wielkość wsadu, tym więcej zasobów obliczeniowych jest potrzebnych, by ukończyć pojedynczą epokę. Jednocześnie jednak, potrzeba mniej epok, by osiągnąć zadowalające efekty uczenia się."

[student_994_2gp]

s474011

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu. Czy mogę pomóc w jakikolwiek inny sposób?

[student_994_2gp]

Przypomnij mi najważniejsze wzory z działu metryk?

[bot_external]

Najważniejsze wzory z działu metryk to:

• Dokładność (accuracy) - miara ogólnej poprawności modelu, ale może być niewiarygodna w przypadku dużych różnic liczebności między klasami.
• Precyzja (precision) - najważniejsza metryka, gdy głównym celem modelu jest ograniczenie liczby przypadków fałszywie pozytywnych.
• Czułość (recall) - najważniejsza metryka, gdy głównym celem modelu jest wykrycie jak największej liczby przykładów z jednej klasy.
• F-score - uniwersalna metryka, która łączy precyzję i czułość, umożliwiając porównanie modeli.

Te metryki są obliczane na podstawie macierzy pomyłek i pozwalają ocenić jakość modelu.

[student_994_2gp]

A jak je obliczyć?

[bot_external]

Aby obliczyć F-score, najpierw musimy obliczyć precyzję modelu oraz jego czułość. Następnie podstawiamy obie wartości do wzoru i obliczamy F-score.

Precyzja (precision) jest stosunkiem poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne.

F-score obliczamy jako średnią harmoniczną precyzji (precision) i czułości (recall).