conversation_by_fg8

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Moduł, o który pytasz („Wprowadzenie do UM - dodatkowy przykład”), to dodatkowe, nieobowiązkowe ćwiczenie. Jego celem jest ponowne przećwiczenie tworzenia prostego modelu w Google Teachable Machine. Biorąc pod uwagę Twoje bardzo dobre wyniki w testach, możesz samodzielnie zdecydować, czy potrzebujesz dodatkowego utrwalenia materiału. Nie jest to krok wymagany, aby kontynuować kurs.

[eduexe-source]componentId:10,slideId:2[/eduexe-source][eduexe-source]componentId:3,slideId:1[/eduexe-source]

[student_1098_fg8]

Jestem na ćwiczeniu z modułu B2. Czy możesz mi podpowiedzieć, na czym polega problem z plikiem test_B1.jpg?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Plik "test_B1.jpg" przedstawia tzw. przypadek graniczny. Jest to niechlujnie zapisana cyfra, którą nawet człowiekowi może być trudno jednoznacznie rozpoznać. Model ma problem z jej klasyfikacją, ponieważ może być ona zinterpretowana jako "1", "2" lub nawet "7".

[eduexe-source]11:8[/eduexe-source]
[eduexe-source]14:6[/eduexe-source]

[student_1098_fg8]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2–3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Jasne, oto kilka pytań kontrolnych z ostatnio przerobionego przez Ciebie modułu o podstawowych pojęciach w Uczeniu Maszynowym. Spróbuj na nie odpowiedzieć, a ja sprawdzę Twoje rozumienie.

1. Wyobraź sobie, że funkcja straty Twojego modelu dla zbioru uczącego ciągle maleje, ale dla zbioru testowego po pewnym czasie zaczyna rosnąć. Jak nazywamy to zjawisko?
2. Jaki jest główny cel podziału danych na zbiór uczący i zbiór testowy?
3. Co pokazuje nam macierz pomyłek (confusion matrix)?

[student_1098_fg8]

Halo?

[bot_external]

[eduexe-intent]other[/eduexe-intent]
Tak, jestem. Czekam na Twoje odpowiedzi na zadane wcześniej pytania kontrolne. Jeśli potrzebujesz chwili na zastanowienie lub chcesz, żebym Ci coś podpowiedział, po prostu daj znać.

[student_1098_fg8]

Odpowiedzi: 1 - Przeuczenie 2 - Sprawdzenie modelu na danych, na których się nie uczył 3 - Macierz pomyłek pokazuje liczbę i charakter błędów popełnionych przez model na zbiorze testowym

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Wszystkie Twoje odpowiedzi są prawidłowe. Gratulacje, świetnie rozumiesz te pojęcia!

1. Przeuczenie (overfitting) to dokładnie to zjawisko, które opisałeś/aś. Model zbyt mocno dopasowuje się do danych uczących i traci zdolność generalizacji. [eduexe-source]componentId:17,slideId:4[/eduexe-source]
2. Zgadza się, głównym celem podziału jest sprawdzenie, jak model radzi sobie z nowymi, nieznanymi mu danymi. [eduexe-source]componentId:15,slideId:3[/eduexe-source]
3. Dokładnie tak, macierz pomyłek pokazuje, ile przykładów i z której klasy zostało poprawnie lub błędnie zaklasyfikowanych. [eduexe-source]componentId:18,slideId:2[/eduexe-source]

[student_1098_fg8]

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

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów, najważniejszą rzeczą jest teraz ukończenie modułu "Metryki" (Moduł D).

Uzasadnienie: Analiza Twoich postępów pokazuje, że jest to ostatni moduł merytoryczny, który właśnie rozpocząłeś/aś, ale nie ukończyłeś/aś jeszcze żadnego z zawartych w nim ćwiczeń.

Pierwszy krok: Wróć do sekcji "Metryki" i odpowiedz na pierwsze pytanie kontrolne, dotyczące analizy macierzy pomyłek.