conversation_by_22f
-
toooo jak jest z przeliczaniem epok modelu w GTM. Jeśli ilość danych dla klasy wynosi 100 a wielkość wsadu 20 natomiast liczba epok 2. to po kliknięciu trenuj model to ile przykładów, w jakiej konfiguracji zobaczy model do treningu, opisz ten proces
-
toooo jak jest z przeliczaniem epok modelu w GTM. Jeśli ilość danych dla klasy wynosi 100 a wielkość wsadu 20 natomiast liczba epok 2. to po kliknięciu trenuj model to ile przykładów, w jakiej konfiguracji zobaczy model do treningu, opisz ten proces
W Google Teachable Machine, model jest trenowany w epokach. Jedna epoka to pojedyncze przejście modelu przez cały zbiór uczący w procesie trenowania. Jeśli podczas trenowania było 10 epok, oznacza to, że każdy przykład ze zbioru uczącego był "widziany" przez model co najmniej 10 razy.
Wsad (ang. batch) - porcja przykładów, które model przetwarza jednocześnie. Jeśli wielkość wsadu jest duża, trenowanie modelu wymaga większej ilości zasobów, zwłaszcza pamięci, ale taki model będzie potrzebował zazwyczaj mniej epok, by osiągnąć dobre efekty uczenia się.
Jeśli ilość danych dla klasy wynosi 100 a wielkość wsadu 20, to model będzie trenowany w 5 porcjach (100/20 = 5).
-
Jaki był wzór na f-score?
-
Jaki był wzór na f-score?
F-score obliczamy jako średnią harmoniczną precyzji (precision) i czułości (recall). Brzmi to może trochę strasznie, ale sprowadza się do dokonania odpowiednich podstawień do wzoru.
Wynik F1 jest średnią harmoniczną precyzji i czułości. Tym samym symetrycznie reprezentuje zarówno precyzję, jak i czułość w jednej metryce.
-
A jak łączyliśmy precyzje i czułość w takim razie
-
A jak łączyliśmy precyzje i czułość w takim razie
Aby odpowiedzieć na to pytanie, musimy wrócić do definicji F-score. F-score jest średnią harmoniczną precyzji i czułości. Oznacza to, że łączymy te dwa wyniki w taki sposób, aby uzyskać nową wartość, która reprezentuje zarówno precyzję, jak i czułość w jednej metryce.
W praktyce, aby obliczyć F-score, musimy użyć następującego wzoru: F-score = 2 * (precyzja * czułość) / (precyzja + czułość). Ten wzór pozwala nam łączyć precyzję i czułość w sposób symetryczny, co oznacza, że oba te wyniki są równie ważne w obliczeniu F-score.
-
Za kogo się uważasz?
-
Za kogo się uważasz?
Nie mogę udzielić odpowiedzi na to pytanie, ponieważ nie ma odpowiedzi na to pytanie w kontekście.
-
Jakie bylo najtrudniejsze pojecie omawiane w kursie według ciebie
-
Jakie bylo najtrudniejsze pojecie omawiane w kursie według ciebie
Najtrudniejsze pojęcie omawiane w kursie według mnie to teoria głębokiego uczenia. Właściwie, nie jest to nawet pojęcie, ale raczej brak teorii otaczającej niektóre metody głębokiego uczenia. Inaczej mówiąc, niektóre metody głębokiego uczenia nie mają jeszcze dobrze zrozumianej teorii, co czyni je trudnymi do zrozumienia i stosowania.
W praktyce, głębokie uczenie jest realizowane przy użyciu metody spadku gradientowego, która jest dobrze zrozumiana. Jednak inne metody, takie jak dywergencja kontrastowa, są mniej jasne i nie ma jeszcze dobrze zrozumianej teorii dotyczącej ich zbieżności i szybkości.
To oznacza, że głębokie uczenie jest często postrzegane jako "czarna skrzynka", a większość potwierdzeń dokonywana jest empirycznie, a nie teoretycznie. To sprawia, że głębokie uczenie jest trudnym tematem do zrozumienia i stosowania, zwłaszcza dla początkujących.
-
Czy to na pewno było omawiane w kursie?
-
Halo odpowiesz na pytanie wyżej?
-
Halo odpowiesz na pytanie wyżej?
Tak, odpowiem na to pytanie. W naszej poprzedniej rozmowie omawialiśmy różne tematy związane z uczeniem maszynowym, ale nie było omawiane pytanie "Czy to na pewno było omawiane w kursie?" w kontekście naszej rozmowy.
-
Na którym module spedzilam najwiecej czasu?
-
Na którym module spedzilam najwiecej czasu?
Streszczenie:
W naszej rozmowie nie było omawiane pytanie "Na którym module spędziłem najwięcej czasu?" w kontekście kursu. Nie ma informacji o tym, który moduł był najbardziej czasochłonny. -
Czym w 2 zdaniach jest uczenie maszynowe
-
Czym w 2 zdaniach jest uczenie maszynowe
Streszczenie:
Uczenie maszynowe to paradygmat, w którym model jest trenowany przy użyciu obiektów wejściowych i pożądanych wartości wyjściowych, które są często etykietami stworzonymi przez ludzi. Proces uczenia buduje funkcję, która mapuje nowe dane na oczekiwane wartości wyjściowe, pozwalając algorytmowi na dokładne określenie wartości wyjściowych dla niewidzianych wcześniej instancji. -
Czym rozni sie uczenie maszynowe a sztuczna inteligencja wymień w podpunktach
-
Czym rozni sie uczenie maszynowe a sztuczna inteligencja wymień w podpunktach
Streszczenie:
Uczenie maszynowe (UM) i sztuczna inteligencja (SI) są powiązane, ale różnią się w następujący sposób:- UM jest obszarem SI, który koncentruje się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie.
- SI jest szerszym pojęciem, obejmującym wszystkie formy inteligencji demonstrowane przez maszyny.
- UM jest zorientowane na uczenie się z danych, podczas gdy SI obejmuje szeroki zakres zadań, w tym rozpoznawanie obrazów, analiza danych i budowanie złożonych modeli językowych.
- UM jest często postrzegane jako "czarna skrzynka", a większość potwierdzeń dokonywana jest empirycznie, a nie teoretycznie, co odróżnia je od SI, która ma bardziej zrozumiałą teorię.
-
Nie masz wbudowqnej konstrukcjinod myślników?