conversation_by_mop

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem "dane spoza klas" (out-of-class data) polega na tym, że model uczenia maszynowego próbuje sklasyfikować dane, które nie należą do żadnej z klas, na których był trenowany. Model, nie mając przykładów takich danych, błędnie przypisze je do jednej z poznanych klas, nawet jeśli są całkowicie odmienne. [eduexe-source]11:5[/eduexe-source]

[student_1137_mop]

Jak to naprawić?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Aby naprawić problem "danych spoza klas", należy dodać nową klasę dla tych danych, a następnie załadować do niej odpowiednie przykłady i ponownie wytrenować model. [eduexe-source]14:4[/eduexe-source][eduexe-source]12:1[/eduexe-source]

[student_1137_mop]

Co miałam źle w teście początkowym?

[student_1137_mop]

Co miałam źle w teście B

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście B (componentId: 13) miałaś źle pytanie: "Jak można naprawić problem z błędnie klasyfikowanym przypadkiem granicznym pomiędzy dwiema klasami?".

Wybrałaś opcję "wyrównać liczbę przykładów w obydwu klasach", co jest metodą na problem nierównej liczebności klas, a nie przypadków granicznych. Poprawne odpowiedzi to: "dodać klasę pośrednią i załadować do niej odpowiednią liczbę przykładów" oraz "załadować więcej przypadków granicznych do ich odpowiednich klas". [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_mop]

a co miałam w teście tym pierwszym źle że dostałam tylko 2/10 punktów??

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście początkowym (componentId: 5) otrzymałaś 2/10 punktów, ponieważ:

1. W pytaniu "Jakie są powody, dla których nie należy używać tych samych danych zarówno dla zbioru uczącego, jak i testowego?" [eduexe-source]5:0[/eduexe-source] wybrałaś tylko jedną z dwóch poprawnych odpowiedzi.
2. W pytaniu "Która z poniższych algorytmów jest przykładem uczenia przez wzmacnianie:" [eduexe-source]5:0[/eduexe-source] wybrałaś tylko jedną z dwóch poprawnych odpowiedzi.
3. W pytaniu "System rozpoznawania towarów na kasie samoobsługowej nie identyfikuje prawidłowo jabłek. Co trzeba zrobić, aby system działał poprawnie?" [eduexe-source]5:0[/eduexe-source] wybrałaś niepoprawną opcję.
4. W pytaniu "Która z poniższych metod jest przykładem algorytmu uczenia nienadzorowanego?" [eduexe-source]5:0[/eduexe-source] wybrałaś tylko jedną z dwóch poprawnych odpowiedzi.

[student_1137_mop]

no to ile dostanę za to punktów na moodlu z AI?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Obecnie masz 11 punktów z tego kursu na Moodle. Na Twój wynik składają się: 2 punkty z testu początkowego [eduexe-source]5:1[/eduexe-source], 5 punktów z testu cząstkowego "Wprowadzenie do UM" (componentId: 9) [eduexe-source]9:1[/eduexe-source] oraz 4 punkty z testu cząstkowego "Dane w procesie uczenia" (componentId: 13) [eduexe-source]13:1[/eduexe-source]. Maksymalnie z całego kursu możesz zdobyć 30 punktów [eduexe-source]1:1[/eduexe-source].

[student_1137_mop]

a jak ma się jedną odpowiedź z dwóch dobrze to ile punktów się przyznaje

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Brak informacji w dostarczonym źródle. Na podstawie Twoich postępów w testach, gdzie wybrałaś tylko jedną z dwóch poprawnych odpowiedzi, pytania te zostały ocenione jako niepoprawne, co sugeruje, że nie przyznano za nie punktów.

[student_1137_mop]

a jak się źle odpowie to punkty są odejmowane?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Nie, punkty nie są odejmowane za błędne odpowiedzi. W przypadku błędnej odpowiedzi lub udzielenia niepełnej odpowiedzi w pytaniu wielokrotnego wyboru, po prostu nie otrzymujesz punktów za to pytanie. [eduexe-source]1:1[/eduexe-source]

[student_1137_mop]

Co się stanie jak podzielę dane uczące i dane testowe w stosunku 1:1

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podział danych uczących i testowych w stosunku 1:1 jest niezgodny z zasadami skutecznego uczenia maszynowego. Zbiór uczący powinien być znacząco większy od zbioru testowego, aby model miał wystarczająco dużo danych do efektywnego trenowania. Jeśli dane zostaną podzielone w stosunku 1:1, model może nie mieć szansy na skuteczne nauczenie się wzorców. [eduexe-source]15:7[/eduexe-source]

[student_1137_mop]

A jakby tego i tego było po 500 na klasę?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nawet jeśli miałabyś po 500 przykładów na klasę w zbiorze uczącym i 500 w zbiorze testowym, podział 1:1 nadal nie jest optymalny. Zgodnie z zasadami, zbiór uczący powinien być znacząco większy od zbioru testowego, aby model miał wystarczająco dużo danych do efektywnego trenowania. Podział 1:1 oznacza, że 50% danych przeznaczasz na testowanie, co jest zazwyczaj zbyt dużą proporcją i ogranicza ilość danych, na których model mógłby się uczyć. Optymalne proporcje to np. 85:15, 90:10, a przy bardzo dużych zbiorach danych nawet więcej danych dla zbioru uczącego. [eduexe-source]15:7[/eduexe-source]

[student_1137_mop]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu? jaki jest na to wzór?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine zbiór testowy będzie składał się łącznie z 90 przykładów.

Wzór na to to: (liczba klas * liczba przykładów na klasę) * 0.15 (ponieważ GTM automatycznie przydziela 15% danych do zbioru testowego).
W tym przypadku: (3 klasy * 200 przykładów/klasę) * 0.15 = 600 * 0.15 = 90.

[eduexe-source]15:4[/eduexe-source][eduexe-source]15:9[/eduexe-source]