conversation_by_l2i

[student_1136_l2i]

okej ale dlaczcego akurat wykres ma taki ksztalt czemu najpierw maleje a potem rosnie dla testowych

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dla zbioru testowego wykres funkcji straty najpierw maleje, ponieważ model początkowo uczy się ogólnych wzorców z danych treningowych, co pozwala mu lepiej radzić sobie również z danymi, których jeszcze nie widział. Jednak w miarę dalszego treningu model zaczyna zbyt dokładnie dopasowywać się do specyficznych cech i "szumu" w zbiorze uczącym (czyli "zapamiętywać" odpowiedzi), zamiast uczyć się generalizować. Te zapamiętane specyfiki nie występują w nowych danych testowych, co powoduje, że model popełnia na nich więcej błędów, a funkcja straty dla zbioru testowego zaczyna rosnąć. [eduexe-source]17:4[/eduexe-source]

[student_1136_l2i]

Podaj krótki przykład, który pomoże mi lepiej zrozumieć aktualny temat kursu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wyobraź sobie ucznia, który uczy się do egzaminu z matematyki. Jeśli nauczy się on na pamięć wszystkich zadań z repetytorium wraz z odpowiedziami, to będzie doskonale rozwiązywał zadania, które już widział. Jednak na egzaminie, gdzie pojawią się nowe zadania (choć podobne), jego "pamięciowe" podejście zawiedzie, bo nie będzie umiał zastosować wiedzy do nowych problemów – to jest właśnie przeuczenie. Model zbyt dobrze zapamiętał dane uczące, ale stracił zdolność do radzenia sobie z nowymi danymi. [eduexe-source]17:4[/eduexe-source]

[student_1136_l2i]

Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Spędziłeś w kursie około 96 minut, zdobywając 19 punktów (status: Zaliczone, kurs nieukończony).

Wykonano: Moduły A, B i C zostały przerobione. Obecnie jesteś w module D, w komponencie [eduexe-source]21:1[/eduexe-source] ("Metryki - wprowadzenie").

Do pracy: Pozostało ukończenie Modułu D (w tym test). Masz niepoprawne odpowiedzi w testach z modułów B [eduexe-source]13:1[/eduexe-source] i C [eduexe-source]19:1[/eduexe-source] oraz quizach w komponentach [eduexe-source]15:9[/eduexe-source] i [eduexe-source]16:8[/eduexe-source]. Przed Tobą także Zadanie Końcowe.

[student_1136_l2i]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu omawia funkcję straty oraz zjawiska przeuczenia i niedouczenia. Zapamiętaj:

• Funkcja straty: Mierzy błąd modelu; celem treningu jest jej minimalizacja. Idealny model ma stratę 0. [eduexe-source]17:2[/eduexe-source]
• Przeuczenie (overfitting): Model zbyt mocno dopasowuje się do danych uczących, tracąc zdolność do generalizacji na nowe dane. Na wykresie strata dla zbioru uczącego maleje, a dla testowego przestaje maleć lub rośnie. [eduexe-source]17:4[/eduexe-source]
• Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, by skutecznie uczyć się z danych. [eduexe-source]17:6[/eduexe-source]

[student_1136_l2i]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu omawia funkcję straty oraz zjawiska przeuczenia i niedouczenia. Zapamiętaj:

• Funkcja straty: Mierzy błąd modelu; celem treningu jest jej minimalizacja. Idealny model ma stratę 0. [eduexe-source]17:2[/eduexe-source]
• Przeuczenie (overfitting): Model zbyt mocno dopasowuje się do danych uczących, tracąc zdolność do generalizacji na nowe dane. Na wykresie strata dla zbioru uczącego maleje, a dla testowego przestaje maleć lub rośnie. [eduexe-source]17:4[/eduexe-source]
• Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, by skutecznie uczyć się z danych. [eduexe-source]17:6[/eduexe-source]