conversation_by_qnv

[bot_external]

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.

[student_994_qnv]

czy wiesz w jakiej części kursu jestem?

[bot_external]

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.

[student_994_qnv]

jak duży musi być zbiór danych, żeby zbiór testowy był mniejszy niż dziesięć procent wszystkich danych?

[bot_external]

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."

[student_994_qnv]

15 przypadków z 25 ile to procent?

[bot_external]

Oto odpowiedź na pytanie kursanta:

"Jeżeli mamy 15 przypadków z 25, to jest to 60%."

[student_994_qnv]

czy w ćwiczeniach na tym kursie są błędy w odpowiedziach?

[bot_external]

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.

[student_994_qnv]

jeżeli rozpoznaję psy i koty, pozytywnym wynikiem jest pies, to rozpoznanie kota jako psa jest fałszywie pozytywne czy fałszywie negatywne?

[bot_external]

Oto odpowiedź na pytanie kursanta:

"Po drugie, jeśli rzeczywista klasyfikacja jest pozytywna, a przewidywana klasyfikacja jest negatywna (1,0), to nazywa się to wynikiem fałszywie negatywnym, ponieważ pozytywna próbka jest niepoprawnie identyfikowana przez klasyfikator jako negatywna."

W tym przypadku, rozpoznanie kota jako psa jest fałszywie pozytywne, ponieważ kota (pozytywna próbka) rozpoznano jako psa (negatywna klasyfikacja).