conversation_by_kql

[bot_external]

Uczenie maszynowe jest powszechną techniką stosowaną w obszarach uczenia maszynowego, gdzie obliczeniowo niemożliwe jest trenowanie na całym zbiorze danych, co wymaga zastosowania algorytmów out-of-core.

Uczenie maszynowe możemy podzielić na trzy główne podkategorie: uczenie nadzorowane, uczenie nienadzorowane i uczenie przez wzmacnianie.

Wbudowane uczenie maszynowe to sub-dziedzina uczenia maszynowego, w której modele są wdrażane w systemach wbudowanych o ograniczonych zasobach obliczeniowych, takich jak komputery ubieralne, urządzenia brzegowe i mikrokontrolery.

[student_994_kql]

podaj obszary zastosowań uczenia maszynowego

[bot_external]

Uczenie maszynowe jest powszechną techniką stosowaną w obszarach uczenia maszynowego, gdzie obliczeniowo niemożliwe jest trenowanie na całym zbiorze danych, co wymaga zastosowania algorytmów out-of-core.

Uczenie maszynowe jest stosowane w wielu innych dyscyplinach, takich jak teoria gier, teoria sterowania, badania operacyjne, teoria informacji, optymalizacja oparta na symulacjach, systemy wieloagentowe, inteligencja roju, statystyka i algorytmy genetyczne.

Algorytmy uczenia ze wzmocnieniem są wykorzystywane w pojazdach autonomicznych lub do nauki gry przeciwko ludzkiemu przeciwnikowi.

[student_994_kql]

co uważasz o Teachable Machine

[bot_external]

W Google Teachable Machine, możemy trenować modele uczenia maszynowego, które potrafią uczyć się na danych i generalizować na dane niewidziane. To narzędzie pozwala nam na automatyczne poprawianie wyników w wykonywaniu danego zadania. Teachable Machine jest dostępne w Google Colab i pozwala na trenowanie modeli uczenia maszynowego bez konieczności instalowania dodatkowych bibliotek.

[student_994_kql]

Co jeśli damy nierówną ilość plików

[bot_external]

Jeśli damy nierówną ilość plików, to w takim przypadku, 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.

[student_994_kql]

Czy czułość to dobra metryka ?

[bot_external]

Czułość nie zawsze jest metryką dobrze opisującą model, ponieważ jest właściwie "ślepa" na jedną z klas.

[student_994_kql]

Czy macierz pomyłek zawsze pokazuje inne wyniki ?

[bot_external]

Nie, macierz pomyłek nie zawsze pokazuje inne wyniki. Na przykład, w przykładzie z rozwiązaniem Test diagnostyczny o czułości 67% i swoistości 91% jest stosowany u 2030 osób w celu wykrycia zaburzenia o częstości występowania w populacji 1,48%. W tym przypadku, wyniki macierzy pomyłek są następujące: Współczynnik fałszywie dodatnich wyników (α) = błąd I rodzaju = 1 − swoistość = FP / (FP + TN) = 180 / (180 + 1820) = 9% Współczynnik fałszywie ujemnych wyników (β) = błąd II rodzaju = 1 − czułość = FN / (TP + FN) = 10 / (20 + 10) ≈ 33%

[student_994_kql]

Czy Fscore jest lepszy od dokładności ?

[bot_external]

Nie, cytaty z kontekstu nie zawierają informacji o tym, czy Fscore jest lepszy od dokładności.

[student_994_kql]

Co robi wsad

[bot_external]

Odpowiedź na pytanie kursanta:

Wybór działania – sposób charakteryzowania najbardziej podstawowego problemu inteligentnych systemów: co zrobić dalej.

[student_994_kql]

Czy wsad przyspiesza trendowanie ?

[bot_external]

Odpowiedź na pytanie kursanta:

Nie, przyspieszające zmiany nie są bezpośrednio powiązane z trendowaniem. Przyspieszające zmiany to pojęcie opisujące szybsze tempo zmian technologicznych w historii, które może sugerować szybsze i bardziej dogłębne zmiany w przyszłości.