conversation_by_4bw

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Tak, to doskonały przykład! Wykrywanie spamu to klasyczne zadanie klasyfikacji, gdzie model uczy się odróżniać wiadomości pożądane od niechcianych. Mieści się to w ogólnej kategorii zastosowań UM, jaką jest „analiza i klasyfikacja danych”, wspomnianej w kursie. Świetnie sobie radzisz!

[eduexe-source]componentId:7,slideId:4[/eduexe-source]

[student_1098_4bw]

Wyjaśnij mi w bieżącym module, dlaczego w ćwiczeniu Sprawdź się mam zaliczoną odpowiedź "90" skoro poprawna jak się kliknie na "i" to "99"?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
W ćwiczeniu, o którym mówisz, odpowiedź "90" jest poprawna. Kurs wyjaśnia, że Google Teachable Machine automatycznie przeznacza 15% danych na zbiór testowy. Przy 3 klasach po 200 przykładów, łącznie mamy 600 przykładów. 15% z 600 to dokładnie 90. W dostarczonych materiałach kursu nie ma informacji, by poprawną odpowiedzią było "99".

[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]

[student_1098_4bw]

No nie, najeżdżam na przycisk "i" i pojawia się "99", jakby może jakiś zakres odpowiedzi był prawidłowy? Nie rozumiem

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem Twoje zdziwienie. Informacja o wartości "99", którą widzisz po najechaniu na przycisk "i", nie pochodzi z treści kursu i może być błędem technicznym platformy e-learningowej.

Zgodnie z materiałami, GTM rezerwuje 15% danych na zbiór testowy. Dla 3 klas po 200 przykładów (łącznie 600), daje to dokładnie 90 przykładów (15% z 600). Wartość "99" pojawia się w innym ćwiczeniu, jako procent pewności modelu, co mogło być źródłem nieporozumienia.

[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]
[eduexe-source]componentId:8,slideId:7[/eduexe-source]

[student_1098_4bw]

Bredzisz, przecież widzę - zaliczone 90 a poprawne 99

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Masz całkowitą rację, przepraszam za zamieszanie. W poprzednich odpowiedziach pomyliłem ćwiczenia i odnosiłem się do innego zadania z kursu.

Sprawdziłem to ponownie. Zgodnie z treścią kursu i Twoimi postępami, w ćwiczeniu z modułu o Google Teachable Machine ("Na ile procent model jest przekonany...") poprawną odpowiedzią jest rzeczywiście "99". Zaliczenie Twojej odpowiedzi "90" jako poprawnej to błąd w konfiguracji tego konkretnego zadania. Dziękuję za Twoją czujność i zwrócenie na to uwagi.

[student_1098_4bw]

Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Zgodnie z Twoimi postępami, ukończyłeś/aś już test początkowy oraz dwa moduły merytoryczne: „Wprowadzenie do Uczenia Maszynowego” i „Podstawowe pojęcia UM”.

Do zrealizowania pozostały Ci jeszcze dwa moduły: „Dane w Uczeniu Maszynowym” oraz „Metryki”, a także powiązane z nimi testy cząstkowe i opcjonalny test końcowy.

[student_1098_4bw]

No ale konkretnie jak mi idzie?

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Radzisz sobie bardzo dobrze, widać wyraźny postęp. Ukończyłeś/aś już dwa moduły merytoryczne.

Szczególnie dobrze poszedł Ci ostatni test cząstkowy, w którym zdobyłeś/aś maksymalną liczbę punktów (5/5). W porównaniu z wynikiem testu początkowego (6/10) pokazuje to, że skutecznie i szybko nadrabiasz wiedzę. Twoje zaangażowanie i zadawanie pytań, gdy coś jest niejasne, to świetny sposób na naukę. Tak trzymaj

[student_1098_4bw]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Oczywiście. Oto podsumowanie najważniejszych pojęć z ostatniego ukończonego modułu, czyli „Podstawowe pojęcia UM”:

• Zbiór uczący i testowy: Model trenuje się na zbiorze uczącym (dane z odpowiedziami), a jego skuteczność sprawdza się na zbiorze testowym (dane, których wcześniej nie widział).
• Funkcja straty (loss): To miara błędu modelu. Celem treningu jest jej minimalizacja.
• Przeuczenie (overfitting): Zjawisko, w którym model uczy się danych treningowych „na pamięć”, przez co słabo radzi sobie z nowymi, nieznanymi danymi.
• Macierz pomyłek: Tabela, która pokazuje, ile przykładów ze zbioru testowego model sklasyfikował poprawnie, a ile błędnie dla każdej z klas.

[eduexe-source]componentId:20,slideId:1[/eduexe-source]

[student_1098_4bw]

No ale ja jestem w module Dane w procesie uczenia

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
[eduexe-intent]course_content[/eduexe-intent]
Masz rację, przepraszam za pomyłkę. Skupiłem się na niewłaściwym module.

Jesteś w module „Dane w procesie uczenia”. Najważniejsze problemy z danymi, które warto zapamiętać z tej części, to:

• Dane spoza klas: Model nie rozpozna obiektu, jeśli nie było go w danych uczących, i błędnie przypisze go do jednej ze znanych klas.
• Nierówna liczebność klas: Jeśli jedna klasa ma znacznie mniej przykładów, model może ją ignorować lub słabo się jej uczyć.
• Przypadki graniczne: Niejednoznaczne obiekty, podobne do kilku klas, mogą być błędnie klasyfikowane.

Kurs pokazuje, jak sobie z tym radzić, np. dodając nowe klasy lub uzupełniając dane.
[eduexe-source]componentId:11,slideId:2[/eduexe-source][eduexe-source]componentId:11,slideId:4[/eduexe-source][eduexe-source]componentId:11,slideId:5[/eduexe-source][eduexe-source]componentId:12,slideId:5[/eduexe-source]

[student_1098_4bw]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Oczywiście. Aktualny temat kursu, „Dane w procesie uczenia”, można wyjaśnić prosto: jakość modelu zależy od jakości danych, na których się uczy. Pomyśl o tym jak o uczeniu dziecka rozpoznawania zwierząt.

Jeśli pokażesz mu 100 zdjęć psów i tylko 5 kotów, będzie miało problem z rozpoznaniem kotów (nierówna liczebność klas). A jeśli potem pokażesz mu zdjęcie samochodu, to i tak zgadnie „pies” lub „kot”, bo niczego innego nie zna (dane spoza klas).

Pytanie sprawdzające: Załóżmy, że masz model wytrenowany tylko do odróżniania psów od kotów. Co prawdopodobnie się stanie, gdy pokażesz mu zdjęcie papugi?
[eduexe-source]componentId:11,slideId:4[/eduexe-source][eduexe-source]componentId:11,slideId:5[/eduexe-source][eduexe-source]componentId:12,slideId:5[/eduexe-source]

[student_1098_4bw]

Pewnie zaklasyfikuje błędnie jako psa

[bot_external]

[eduexe-intent]other[/eduexe-intent]
Dokładnie tak! Model, nie znając klasy „papuga”, spróbuje dopasować obrazek do jednej z kategorii, które zna – „pies” lub „kot”. Błędna klasyfikacja jako pies (lub kot) jest więc spodziewanym rezultatem. To idealny przykład problemu, który w kursie nazywamy „danymi spoza klas”. Świetnie to rozumiesz!
[eduexe-source]componentId:11,slideId:5[/eduexe-source]

[student_1098_4bw]

Na podstawie moich postępów w kursie wskaż jedną najważniejszą rzecz, którą powinienem/powinnam teraz zrobić. Uzasadnij krótko i zaproponuj pierwszy konkretny krok.