conversation_by_pw7

[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:

1. 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]
2. 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]
3. 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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przykład modelu przeuczonego to taki, dla którego na wykresie funkcji straty wartość dla zbioru uczącego systematycznie maleje, natomiast dla zbioru testowego w pewnym momencie przestaje maleć, a nawet zaczyna rosnąć [17:4].

Z kolei przykładem modelu niedouczonego jest model, który jest zbyt prosty, by skutecznie radzić sobie z danymi ze zbioru uczącego, co widać po tym, że jego funkcja straty dla zbioru uczącego maleje bardzo wolno lub utrzymuje się na wysokim poziomie, a jego krzywe straty dla zbioru uczącego i testowego są blisko siebie, ale na wysokim poziomie [17:6].

[student_1130_pw7]

pokaż mi jakiś przykład żebym mogła sprawdzić czy rozumiem

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Przyjrzyjmy się następującej sytuacji: trenujesz model rozpoznawania obrazów. Na wykresie funkcji straty zauważasz, że dla zbioru uczącego (treningowego) wartość straty systematycznie maleje i osiąga bardzo niski poziom. Natomiast dla zbioru testowego, po pewnym czasie, wartość straty przestaje maleć, a nawet zaczyna rosnąć. Jakie zjawisko w uczeniu maszynowym to ilustruje? [eduexe-source]17:4[/eduexe-source]

[student_1130_pw7]

to model przeuczony

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. Sytuacja, w której dla zbioru uczącego wartość straty systematycznie maleje, a dla zbioru testowego przestaje maleć lub zaczyna rosnąć, świadczy o tym, że model jest przeuczony. Oznacza to, że model zbyt mocno dopasował się do danych treningowych i nie radzi sobie dobrze z nowymi, niewidzianymi wcześniej danymi testowymi. [17:4]

[student_1130_pw7]

ok, a teraz model niedouczony, pokaż jakiś wykres

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W przypadku modelu niedouczonego (underfitting), na wykresie funkcji straty, krzywe straty dla zbioru uczącego i testowego są blisko siebie, ale utrzymują się na wysokim poziomie, lub funkcja straty dla zbioru uczącego maleje bardzo wolno. Oznacza to, że model jest zbyt prosty, aby skutecznie radzić sobie z danymi ze zbioru uczącego. [17:6]

[student_1130_pw7]

wykres please

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie mogę wyświetlić wykresu, ponieważ jestem asystentem tekstowym i nie mam możliwości prezentowania grafik.

Mogę jednak ponownie opisać, jak wygląda wykres funkcji straty dla modelu niedouczonego. W przypadku modelu niedouczonego (underfitting), na wykresie funkcji straty, krzywe straty dla zbioru uczącego i testowego są blisko siebie, ale utrzymują się na wysokim poziomie, lub funkcja straty dla zbioru uczącego maleje bardzo wolno. Oznacza to, że model jest zbyt prosty, aby skutecznie radzić sobie z danymi ze zbioru uczącego. [17:6]

[student_1130_pw7]

ok

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że to zrozumiałaś/eś! Podsumowując, model przeuczony zbyt mocno dopasowuje się do danych treningowych, przez co słabo radzi sobie z nowymi danymi, natomiast model niedouczony jest zbyt prosty, by skutecznie uczyć się z danych.

Jeśli chcesz utrwalić sobie te i inne podstawowe pojęcia Uczenia Maszynowego, możesz wrócić do komponentu 'C5 - Podstawowe pojęcia UM - dodatkowe przykłady' [20:1], gdzie znajdziesz ich krótkie podsumowanie.

[student_1130_pw7]

Na podstawie moich błędnych, częściowo poprawnych lub pominiętych odpowiedzi wskaż, co powinienem/powinnam powtórzyć. Wyjaśnij to krok po kroku, ale nie podawaj gotowych odpowiedzi do zadań.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Aby poprawić swoje zrozumienie kursu, skup się na następujących obszarach, które sprawiły Ci trudność w ostatnich zadaniach i testach:

1. Podstawy Google Teachable Machine i typy problemów UM:

   • Powtórz prawidłową kolejność kroków przy tworzeniu modelu w GTM. Zwróć uwagę na to, które problemy (klasyfikacja, predykcja) można rozwiązać w GTM. [9:3][9:4][9:5][9:6][9:7][7:8][10:10]
   • Przejrzyj, jak GTM automatycznie dzieli dane na zbiór uczący i testowy oraz jak oblicza się wielkość zbioru testowego. Skup się na proporcjach podziału. [15:4][15:9]

2. Problemy z danymi i ich naprawa:

   • Ponownie przeanalizuj różne typy problemów z danymi, takie jak dane spoza klas, przypadki graniczne i nierówna liczebność klas. Zrozum, jak każdy z nich wpływa na model. [11:2][11:4][11:5][13:4]
   • Powtórz metody radzenia sobie z tymi problemami, w tym dodawanie klas, uzupełnianie brakujących danych i wprowadzanie klas pośrednich. [12:1][12:3]
   • Szczególnie zwróć uwagę na analizę zachowania modelu przy różnych plikach testowych w kontekście tych problemów. [13:3][13:4][13:5]

3. Parametry treningu modelu (epoki, wsad, współczynnik uczenia) i ocena dopasowania:

   • Upewnij się, że rozumiesz, jak oblicza się liczbę wsadów potrzebnych do ukończenia jednej epoki. [16:5][16:6]
   • Powtórz, jakie są konsekwencje zbyt wysokiego współczynnika uczenia. [16:7][16:8]
   • Przeanalizuj ponownie wykresy funkcji straty, aby poprawnie rozróżniać modele przeuczone i niedouczone. Zwróć uwagę na zachowanie krzywych dla zbioru uczącego i testowego. [17:4][17:6][17:7]

4. Macierz pomyłek i podstawowe metryki:

   • Utrwal interpretację macierzy pomyłek, w szczególności jak odczytywać z niej błędne klasyfikacje. [18:2][18:4][19:2]
   • Przejrzyj podstawowe metryki oceny modelu (dokładność, precyzja, czułość), których definicje sprawiły Ci trudność w początkowym teście. [21:1][22:1][23:1][24:1]

[student_1130_pw7]

dużo tego