conversation_by_qnv
-
możesz to wyjaśnić innymi słowami?
-
możesz to wyjaśnić innymi słowami?
Zbiór danych uznawany jest za duży, gdy jest zbyt duży lub złożony, aby tradycyjne oprogramowanie do przetwarzania danych mogło sobie z nim odpowiednio poradzić. Inaczej mówiąc, zbiór danych jest duży, gdy jest zbyt duży, aby można go było łatwo przetworzyć lub analizować za pomocą standardowych narzędzi i metod.
Możemy powiedzieć, że zbiór danych jest duży, gdy:
- Jest zbyt duży, aby można go było przechowywać na jednym komputerze lub dysku twardym.
- Jest zbyt złożony, aby można go było łatwo przetworzyć lub analizować za pomocą standardowych narzędzi i metod.
- Wymaga zbyt dużo czasu i zasobów, aby można go było przetworzyć lub analizować za pomocą standardowych narzędzi i metod.
W takim przypadku potrzebujemy specjalnych narzędzi i metod, takich jak big data, aby móc efektywnie przetwarzać i analizować duże zbiory danych.
-
dlaczego sprawdzając plik test_3.jpg w moim wytrenowanym modelu dostałem inną pewność modelu niż na zdjęciu?
-
dlaczego sprawdzając plik test_3.jpg w moim wytrenowanym modelu dostałem inną pewność modelu niż na zdjęciu?
Oto odpowiedź na pytanie kursanta:
"By naprawić tę sytuację, musimy uzupełnić klasę "3" o zawartość katalogu "3" z Materiałów, następnie ponownie wytrenować model i ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd"."
"Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decydując niepoprawnie."
"W takich przypadkach, mamy dwa wyjścia: jeżeli dysponujemy dodatkowymi danymi łącznie z ich prawidłową, jednoznaczną identyfikacją, możemy poszukać w nich więcej podobnych przypadków granicznych, a następnie dodać je do prawidłowych dla nich klas - musi się ich jednak zebrać więcej niż kilka, by nasze działanie mogło odnieść skutek"
-
nie pytałem o ten plik i nie mam jeszcze trzeciej kategorii
-
nie pytałem o ten plik i nie mam jeszcze trzeciej kategorii
Oto odpowiedź na pytanie kursanta:
"Nie martw się, nie musisz mieć trzeciej kategorii. W tym przypadku wystarczy, że uzupełnisz klasę "3" o zawartość katalogu "3" z Materiałów i ponownie wytrenujesz model. Następnie możesz ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd" i sprawdzić, jak się zachowa model."
-
pytałem o plik "test_3" mając jeszcze dwie klasy
-
pytałem o plik "test_3" mając jeszcze dwie klasy
Oto odpowiedź na pytanie kursanta:
"By poradzić sobie z takim przypadkiem danych z spoza klas, musimy: Dodać nową klasę dla cyfry 4. Załadować do niej dane z katalogu "4" z Materiałów. Ponownie wytrenować model. Ponownie załadować plik "test_B3.jpg" do sekcji "Podgląd" (ponownie - może być konieczne zresetowanie danych wejściowych poprzez ponowne wybranie źródła)."
"By naprawić tę sytuację, musimy uzupełnić klasę "3" o zawartość katalogu "3" z Materiałów, następnie ponownie wytrenować model i ponownie wgrać plik "test_B2.jpg" do sekcji "Podgląd"."
-
dlaczego kategoryzując samochód model nazwał go psem a nie kotem?
-
dlaczego kategoryzując samochód model nazwał go psem a nie kotem?
Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.
-
no dobrze, ale dlaczego wybrał psa a nie kota?
-
no dobrze, ale dlaczego wybrał psa a nie kota?
Model nazwał samochód psem, ponieważ w procesie treningu nie nauczył się rozpoznawać samochodów, a jedynie rozróżniać psy i koty. Model nie miał przykładów, jak wygląda samochód, ani nawet "nie wiedział", że coś takiego w ogóle istnieje. Jego wiedza kończyła się na tym, co mu dostarczyliśmy, czyli na psach i kotach.
Gdyby w danych była dodatkowa klasa z obrazami samochodów, model poradziłby sobie z tym zadaniem.
-
czy wiesz w jakiej części kursu jestem?
-
czy wiesz w jakiej części kursu jestem?
Oto odpowiedź na pytanie kursanta:
Zgodnie z historią rozmowy, w momencie, gdy pytasz o swoją aktualną pozycję w kursie, ostatnie pytanie kursanta dotyczyło pliku "test_3.jpg" i modelu, który nie mógł rozpoznać kota. W poprzednich odpowiedziach, asystent mówił o uzupełnianiu klas i ponownym wytrenowywaniu modelu.
Zgodnie z treścią kursu, po każdym z czterech modułów merytorycznych kursu, kursant powinien rozwiązać krótki test podsumowujący dany moduł (za 5 punktów).
Zatem, jeśli w historii rozmowy nie ma żadnych wzmianek o rozwiązaniu testów podsumowujących, to kursant jest w trakcie rozwiązywania testu podsumowującego dany moduł.
-
jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?
-
jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?
Oto odpowiedź na pytanie kursanta:
"W Uczeniu Maszynowym spotyka się także inne proporcje - zbiór testowy może niekiedy obejmować aż 20% wszystkich danych, albo tylko 10%, lub nawet jeszcze mniej przy bardzo dużych zbiorach danych."
-
15 przypadków z 25 ile to procent?
-
15 przypadków z 25 ile to procent?
Oto odpowiedź na pytanie kursanta:
"Jeżeli mamy 15 przypadków z 25, to jest to 60%."
-
czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?
-
czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?
Oto odpowiedź na pytanie kursanta:
Nie, w ćwiczeniach na tym kursie nie są błędy w odpowiedziach. W jednym z poprzednich ćwiczeń, kursant miał problem z rozpoznaniem kota, ale to było spowodowane brakiem danych w modelu, a nie błędem w samej odpowiedzi.