conversation_by_ofd

[student_1075_ofd]

podaj podstawowe informacje o zbiorze testowym

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy to zbiór przykładów, których model nie wykorzystał w procesie uczenia się. Służy do sprawdzenia, jak dobrze model został wytrenowany i na ile jest skuteczny. To, jak model radzi sobie z klasyfikacją danych testowych, jest miarą jego jakości. Zbiór uczący powinien być znacząco większy od zbioru testowego. W metaforze nauki, zbiór testowy odpowiada zadaniom na egzaminie. [eduexe-source]componentId:15:slideId:3[/eduexe-source] [eduexe-source]componentId:20:slideId:1[/eduexe-source]

[teacher_bartosz.kosmala-trzpiot]

Testowa odpowiedź nauczyciela

[teacher_bartosz.kosmala-trzpiot]

Druga odpowiedź nauczyciela
AAAA
BBBB
wOEFISOEUGEOG

[student_1075_ofd]

czym jest czułość

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka obliczana na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. Mówiąc prościej, czułość informuje, jaki procent wszystkich pozytywnych przypadków (np. wszystkich chorych osób w zbiorze testowym) jest w stanie wykryć model. [eduexe-source]componentId:24:slideId:1[/eduexe-source] [eduexe-source]componentId:29:slideId:2[/eduexe-source]

[student_1075_ofd]

czym jest funkcja straty\

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Funkcja straty (ang. loss function) to miara różnicy między prawidłową odpowiedzią a odpowiedzią zwróconą przez model. Jest używana do oceny, jak dobrze model działa. Celem procesu trenowania jest minimalizowanie wartości funkcji straty – im jest ona niższa, tym model jest lepszy. Idealny model, który nigdy się nie myli, miałby stratę równą 0. [eduexe-source]componentId:17:slideId:2[/eduexe-source] [eduexe-source]componentId:7:slideId:1[/eduexe-source]

[student_1075_ofd]

czym jest epoka i wsad

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to jedno pełne przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Zazwyczaj potrzeba wielu epok, aby dobrze wytrenować model. Wsad (ang. batch size) to liczba przykładów treningowych (porcja danych), jaką model otrzymuje na raz do przetworzenia w pojedynczej iteracji. Zbiór uczący jest dzielony na takie porcje, czyli wsady. [eduexe-source]componentId:16:slideId:3[/eduexe-source] [eduexe-source]componentId:16:slideId:5[/eduexe-source] [eduexe-source]componentId:20:slideId:1[/eduexe-source]