conversation_by_mop

[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]

[student_1137_mop]

Jakie są odpowiedzi do testu C?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_mop]

Czyli im mniejszy współczynnik uczenia tym lepiej?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, niekoniecznie. Zbyt mały współczynnik uczenia (learning rate) może znacznie wydłużyć czas treningu modelu, ponieważ korekty są zbyt małe. Z kolei zbyt duży współczynnik może spowodować, że model "przeskoczy" optymalne rozwiązanie. Optymalna wartość współczynnika uczenia powinna być dobrana eksperymentalnie. [eduexe-source]16:7[/eduexe-source]

[student_1137_mop]

Czyli dobiera się ją metodą prób i błędów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, zgadza się. Optymalna wartość współczynnika uczenia powinna być dobrana eksperymentalnie, co w praktyce oznacza metodą prób i błędów, aby znaleźć taką, która zapewni efektywny trening modelu bez jego nadmiernego wydłużania lub "przeskakiwania" optymalnego rozwiązania. [eduexe-source]16:7[/eduexe-source]

[student_1137_mop]

Dlaczego w ostatnim pytaniu jest taka odpowiedź

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie system punktacji opiera się na zdobywaniu punktów za poprawne odpowiedzi w testach, a nie na ich odejmowaniu za błędne. Oznacza to, że za niepoprawną odpowiedź po prostu nie otrzymujesz punktów, zgodnie z opisem w sekcji "Testy i punktacja". [eduexe-source]1:1[/eduexe-source]

[student_1137_mop]

Chodziło mi dlaczego w pytaniu Wnioskując po funkcji straty na ilustracji (do 15 epoki), mamy do czynienia z modelem... good answer marker odpowiedz to przeuczonym