conversation_by_4ok
-
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.
-
Jak wyjaśnić to uczniowi klasy 7 szkoły podstawowej?
-
Jak wyjaśnić to uczniowi klasy 7 szkoły podstawowej?
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.
Uczenie maszynowe polega na tym, że model stara się poprawiać w wyniku ekspozycji na dane. Współczynnik uczenia się to parametr modelu, który określa, jak duże kroki w kierunku poprawnego rozwiązania po każdej nowej ekspozycji na dane model będzie wykonywał.
-
A w większym skrócie?
-
Co oznacza, że dane są spoza klas?
-
Co oznacza, że dane są spoza klas?
Dane są spoza klas, gdy zbiór testowy musi być jakościowo reprezentatywny dla całości danych - muszą znajdować się w nim podobne przykłady, co w zbiorze uczącym, a wracając do metafory z nauczaniem matematyki - nie należy wprowadzać na egzamin zadań całkowicie nowego typu, którego nie było w repetytorium.
Dane są spoza klas, gdy model nie potrafi rozpoznać cyfry 4 - trudno mu się dziwić, skoro w procesie trenowania nikt nie uświadomił go, że taka cyfra w ogóle istnieje.
-
A co oznacza przypadek graniczny między dwiema klasami?
-
A co oznacza przypadek graniczny między dwiema klasami?
Przypadek graniczny między dwiema klasami to sytuacja, w której model ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decydując niepoprawnie.
-
W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy. Tak czy nie?
-
W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy. Tak czy nie?
Nie, w Google Teachable Machine nie trzeba ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy. Narzędzie dokonuje automatycznego podziału danych za nas.
-
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda czy fałsz?
-
Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda czy fałsz?
Prawda. Zbiór testowy to zbiór przykładów, których model nie wykorzystał w procesie uczenia się, wykorzystywany, znów zgodnie z nazwą, do przetestowania modelu.
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
Zgodnie z ilustracją, w kroku 2 na ilustracji, w zakładce "Dokładność wg klas", możesz poprosić GTM o obliczenie dokładności. Zrobi to jednak z podziałem na klasy - nie otrzymasz jednej wartości liczbowej dla całego modelu, a tyle wartości, ile jest klas.
-
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
-
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
Aby udzielić odpowiedzi, potrzebuję fragmentu tekstu, który opisuje, ile wsadów potrzebne jest do ukończenia jednej epoki. Oto odpowiedź:
"Jak łatwo policzyć, w ramach jednej epoki (czyli, jak pamiętamy - pełnego przejścia przez wszystkie przykłady treningowe) potrzebne będzie 11 wsadów - 10 razy po 16 oraz 10 pozostałych przykładów w ostatnim, jedenastym wsadzie."
-
ta odpowiedz się nie zgadza
-
ta odpowiedz się nie zgadza
Aby udzielić odpowiedzi, potrzebuję fragmentu tekstu, który opisuje, ile wsadów potrzebne jest do ukończenia jednej epoki. Oto odpowiedź:
"Jak łatwo policzyć, w ramach jednej epoki (czyli, jak pamiętamy - pełnego przejścia przez wszystkie przykłady treningowe) potrzebne będzie 11 wsadów - 10 razy po 16 oraz 10 pozostałych przykładów w ostatnim, jedenastym wsadzie."
Jeśli ta odpowiedź się nie zgadza, to nie mam informacji w kontekście, która mogłaby pomóc w udzieleniu poprawnej odpowiedzi.