conversation_by_79w

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]

student_1021_79w

Jak wypełnić kwestionariusz?

bot_external

Kwestionariusz początkowy, o którym mowa w kursie, to test wiedzy z podstaw Uczenia Maszynowego, który rozwiązuje się na początku kursu. Ma on na celu zorientowanie się, ile już wiesz w tej dziedzinie. Za ten test możesz zdobyć maksymalnie 10 punktów. Nie ma szczegółowych instrukcji dotyczących sposobu wypełniania, poza tym, że jest to test wiedzy.
[eduexe-source]1:1[/eduexe-source][eduexe-source]3:1[/eduexe-source]

student_1021_79w

Zadaj mi pytanie na temat uczenia maszynowego

bot_external

Dostarczamy naszemu modelowi UM dane o objawach pacjentów (czy występują, czy nie i w jakim stopniu), a także informację, czy u każdego pacjenta została czy nie została zdiagnozowana choroba X. Celem modelu ma być podejmowanie decyzji, czy pacjent jest chory na X na podstawie jego zestawu objawów. Mamy tutaj do czynienia z uczeniem...

nadzorowanym
nienadzorowanym
przez wzmacnianie
[eduexe-source]7:7[/eduexe-source]

student_1021_79w

Myślę, że chodzi o uczeniu nadzorowanym

bot_external

Tak, masz rację. W opisanym przypadku, gdzie modelowi dostarczane są dane o objawach pacjentów wraz z informacją, czy u każdego pacjenta zdiagnozowano chorobę X (czyli prawidłowe etykiety wynikowe), mamy do czynienia z uczeniem nadzorowanym. [eduexe-source]7:6[/eduexe-source]

student_1021_79w

A podaj przykład uczenia nienadzorowanego

bot_external

Uczenie nienadzorowane (ang. unsupervised learning) to kategoria uczenia maszynowego, gdzie model nie ma dostępu do "prawidłowych odpowiedzi", a jego zadaniem jest samodzielne odkrycie wzorców i zależności w danych. Przykładowo, modelowi można dostarczyć wymieszane zdjęcia różnych gatunków zwierząt, a on, bez podawania nazw gatunków, podzieli zdjęcia według gatunków (np. "grupa zdjęć A jest wyraźnie różna od grupy zdjęć B"). Podstawowymi problemami uczenia nienadzorowanego są klasteryzacja i redukcja wymiarowości.
[eduexe-source]7:6[/eduexe-source]

student_1021_79w

Co to jest klasteryzacja

bot_external

Brak informacji w dostarczonym źródle.

student_1021_79w

Czy w kursie nie wyjaśniono tego pojęcia?

bot_external

Tak, pojęcie "klasteryzacja" jest wspomniane w kursie jako jeden z podstawowych problemów uczenia nienadzorowanego, ale nie zostało ono szczegółowo wyjaśnione ani zdefiniowane. [eduexe-source]7:6[/eduexe-source]

student_1021_79w

Ile czasu powinienem poświęcić na przejście tego kursu?

Eduexe Forum

conversation_by_79w