conversation_by_79w

[student_1021_79w]

Podaj podstawowe informacje o uczeniu maszynowym

[bot_external]

Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI) koncentrujący się na rozwijaniu algorytmów, które automatycznie poprawiają się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te, na podstawie dostarczonych danych, budują model matematyczny, który potrafi podejmować decyzje lub prognozować rezultaty bez bezpośredniego programowania.

Główne elementy UM to:

• dane - używane do trenowania i testowania modelu,
• model - matematyczna reprezentacja problemu,
• algorytm - zestaw reguł do uczenia modelu,
• funkcja straty - ocena działania modelu,
• optymalizacja - minimalizacja funkcji straty.
  [eduexe-source]7:1[/eduexe-source]

[student_1021_79w]

Jak wyglądają dane do trenowania

[bot_external]

Dane do trenowania (zbiór uczący) to przykłady, na których model się uczy, znając z góry prawidłową klasyfikację. W kursie są to np. zdjęcia kanarków podpisane jako kanarki oraz zdjęcia wróbli podpisane jako wróble. Model wykorzystuje te dane, aby nauczyć się podejmować decyzje lub prognozować rezultaty.
[eduexe-source]15:3[/eduexe-source]

[student_1021_79w]

Co to jest model

[bot_external]

Model to matematyczna reprezentacja problemu, która jest uczona na podstawie danych. Potrafi podejmować decyzje lub prognozować rezultaty. [eduexe-source]7:1[/eduexe-source]

[student_1021_79w]

Jak działa optymalizacja

[bot_external]

Optymalizacja to proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty. [eduexe-source]7:1[/eduexe-source]

[student_1021_79w]

Co to jest przeuczenie

[bot_external]

Przeuczenie (ang. overfitting) to stan, w którym model za bardzo dopasował się do konkretnego zbioru uczącego (można powiedzieć, że zapamiętał poprawne odpowiedzi) i w efekcie nie radzi sobie z poprawną klasyfikacją w zbiorze testowym. [eduexe-source]20:1[/eduexe-source]

[student_1021_79w]

Jak temu przeciwdziałać?

[bot_external]

Aby przeciwdziałać przeuczeniu, należy obserwować wykres funkcji straty. Jeśli dla zbioru testowego strata przestaje maleć lub zaczyna rosnąć, może to świadczyć o przeuczeniu. Zbyt wiele epok treningu może prowadzić do zapamiętywania odpowiedzi zamiast uczenia się. [eduexe-source]17:4[/eduexe-source][eduexe-source]16:3[/eduexe-source]

[student_1021_79w]

Opowiedz o metrykach

[bot_external]

Metrykami w Uczeniu Maszynowym określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmuje model i zwraca wartość pozwalającą porównać go z innymi modelami. Im wyższa wartość metryki, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source]

[student_1021_79w]

Powiedz więcej na temat metryk

[bot_external]

Podstawą do obliczania metryk jest macierz pomyłek, która rozróżnia przypadki prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]

Najczęściej używane metryki to:

• Dokładność (Accuracy): Stosunek poprawnie zaklasyfikowanych przykładów do wszystkich przykładów testowych. [eduexe-source]22:1[/eduexe-source]
• Precyzja (Precision): Stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne. [eduexe-source]23:1[/eduexe-source]
• Czułość (Recall): Stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. [eduexe-source]24:1[/eduexe-source]
• F-score: Średnia harmoniczna precyzji i czułości, będąca kompromisem między nimi. [eduexe-source]25:2[/eduexe-source]

Każda metryka ma swoje zastosowanie i wady, w zależności od problemu i danych. [eduexe-source]26:4[/eduexe-source]

[student_1021_79w]

Wyjaśnij co to jest F-score

[bot_external]

F-score to metryka, która stanowi próbę stworzenia bardziej uniwersalnej miary oceny modelu, oparta jednocześnie na precyzji (precision) i czułości (recall). Oblicza się ją jako średnią harmoniczną precyzji i czułości. Jest to uniwersalna metryka, z której można korzystać, gdy potrzebny jest kompromis między precyzją a czułością modelu.
[eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[student_1021_79w]

Jak poruszać się po tym kursie?

[bot_external]

Po kursie możesz nawigować za pomocą strzałek znajdujących się na dole ekranu (poprzedni/następny ekran), za pomocą menu z lewej strony (zawierającego spis treści) oraz za pomocą przycisków (tam, gdzie będą dostępne). Kolejne elementy kursu będą stawały się widoczne w miarę Twoich postępów. [eduexe-source]1:1[/eduexe-source]