conversation_by_pw7

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów, powinnaś powtórzyć zagadnienia z problemów z danymi i ich naprawy w komponentach 'B1 - Dane w procesie uczenia' [eduexe-source]11:0[/eduexe-source] i 'B2 - Istotność danych w UM - naprawa modelu' [eduexe-source]12:0[/eduexe-source].

Dodatkowo, przejrzyj podstawowe pojęcia Uczenia Maszynowego z komponentów 'C1 - Zbiór uczący i zbiór testowy' [eduexe-source]15:0[/eduexe-source], 'C2 - Epoki, wsad i współczynnik uczenia się' [eduexe-source]16:0[/eduexe-source] oraz 'C3 - Strata, przeuczenie, niedouczenie' [eduexe-source]17:0[/eduexe-source].

student_1130_pw7

ten kurs jest dla mnie za trudny

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Rozumiem, że kurs wydaje się trudny. Widzę, że spędzasz znacznie mniej czasu na materiałach niż jest to zalecane. To może być przyczyną.

Zalecam powtórzyć komponenty dotyczące problemów z danymi (B1 [eduexe-source]11:1[/eduexe-source], B2 [eduexe-source]12:1[/eduexe-source]) oraz podstawowych pojęć UM (C1, C2, C3, C4), poświęcając więcej czasu na każdy. Np. na komponent B1 zalecane jest 12.5 minuty, a spędziłaś tam mniej niż 1 minutę. Poświęć więcej czasu na zrozumienie treści.

student_1130_pw7

nudzi mnie ten kurs

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Rozumiem, że kurs wydaje Ci się nudny. Czasem aktywna praca z materiałem pomaga w zaangażowaniu. Widzę, że poświęcasz znacznie mniej czasu na poszczególne komponenty niż jest to zalecane.

Spróbuj ponownie przeanalizować komponenty 'B1 - Dane w procesie uczenia' [eduexe-source]11:1[/eduexe-source] i 'B2 - Istotność danych w UM - naprawa modelu' [eduexe-source]12:1[/eduexe-source], koncentrując się na praktycznych ćwiczeniach z Google Teachable Machine. Na przykład, na komponent B1 zalecane jest 12.5 minuty, a spędziłaś tam mniej niż 1 minutę. Aktywne wykonywanie zadań może sprawić, że materiał stanie się bardziej interesujący.

student_1130_pw7

chyba się poddam

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Rozumiem, że czujesz się zniechęcona/y, ale pamiętaj, że status Twojego kursu to "ZALICZONY", co świadczy o Twojej wytrwałości! Widzę, że wciąż masz wątpliwości dotyczące problemów z danymi, zwłaszcza typu "dane spoza klas". Aby rozwiać jedną z nich, wróć do komponentu 'B1 - Dane w procesie uczenia' [eduexe-source]11:0[/eduexe-source] i przejrzyj slajd 'Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B3.jpg"?' [eduexe-source]11:10[/eduexe-source]. Pamiętaj, że model nie może rozpoznać czegoś, czego nigdy nie widział. To mały krok, który może pomóc Ci odzyskać pewność siebie.

student_1130_pw7

a jak idzie innym w kursie

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Brak informacji.

student_1130_pw7

nie ma rankingu?

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Brak informacji.

student_1130_pw7

pomóż mi zrzumieć moje błędy

bot_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
W teście (Komponent 13, pytanie 19) błędnie zaklasyfikowałaś plik 'BT_test_3_MANDARIN_DUCK.jpg' jako przypadek pośredni. Był to przykład danych spoza klas – model nie rozpoznaje tego, czego nie widział, jeśli nie ma zdefiniowanej klasy [eduexe-source]11:10[/eduexe-source].

Dodatkowo, w Komponencie 15 (pytanie 99) niepoprawnie obliczyłaś wielkość zbioru testowego. Pamiętaj, że w Google Teachable Machine 15% danych z każdej klasy trafia do zbioru testowego [eduexe-source]15:9[/eduexe-source].

student_1130_pw7

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_eduexe

[eduexe-intent]student_progress[/eduexe-intent]
Oto 3 krótkie pytania kontrolne, oparte na Twoich ostatnich postępach i zagadnieniach, z którymi miałaś/eś ostatnio trudności:

Wyobraź sobie, że trenujesz model w Google Teachable Machine do rozpoznawania tylko psów i kotów. Co się stanie, jeśli pokażesz mu zdjęcie słonia? Jakie zjawisko to ilustruje i dlaczego? [11:5]
Jeśli w Google Teachable Machine masz model z czterema klasami, a do każdej z nich załadowano po 100 zdjęć, ile łącznie zdjęć znajdzie się w zbiorze testowym? [15:9]
Patrząc na wykres funkcji straty, jak rozróżnić model przeuczony od niedouczonego? Wskaż kluczowe różnice w zachowaniu krzywych straty dla zbioru uczącego i testowego. [17:4][17:6]

student_1130_pw7

słoń jest spoza klasy

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. Słoń w tym przypadku jest przykładem danych "spoza klas". Model trenowany tylko na psach i kotach nie potrafi rozpoznać słonia, ponieważ nigdy nie "widział" go w procesie uczenia się i nie ma zdefiniowanej dla niego klasy.

A jakie zjawisko to ilustruje i dlaczego model zachowuje się w ten sposób? [eduexe-source]11:5[/eduexe-source]

student_1130_pw7

zbiór testowy ma 60 zdjęć?

bot_eduexe

[eduexe-intent]course_content[/eduexe-intent]
Tak, zgadza się. W Google Teachable Machine 15% danych z każdej klasy trafia do zbioru testowego. Jeśli masz 4 klasy i do każdej załadowano po 100 zdjęć, to:
15% ze 100 zdjęć to 15 zdjęć na klasę.
Dla 4 klas daje to 4 * 15 = 60 zdjęć w zbiorze testowym. [15:4]

student_1130_pw7

pokaż mi przykład zbioru przeuczonego i niedouczonego

Eduexe Forum

conversation_by_pw7