conversation_by_mop

[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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W pytaniu o funkcję straty na ilustracji do 15 epoki, odpowiedź "przeuczonym" jest poprawna, ponieważ przeuczenie (overfitting) występuje, gdy model zbyt mocno dopasowuje się do danych treningowych. Objawia się to tym, że funkcja straty dla zbioru uczącego nadal maleje, ale dla zbioru testowego przestaje maleć, a nawet zaczyna rosnąć, co wskazuje na gorszą wydajność na nowych danych. [eduexe-source]17:4[/eduexe-source][eduexe-source]17:7[/eduexe-source]

[student_1137_mop]

Co znowu miałam źle?????

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście cząstkowym (componentId: 19) miałaś źle pytanie: "Patrząc na załączony wykres funkcji straty na ilustracji (do 10 epoki), mamy do czynienia z modelem...". Wybrałaś opcję "dobrze dopasowany". Prawidłowa odpowiedź to "przeuczony". Model jest przeuczony, gdy funkcja straty dla zbioru uczącego nadal maleje, ale dla zbioru testowego przestaje maleć lub zaczyna rosnąć, co wskazuje na nadmierne dopasowanie do danych treningowych. [eduexe-source]17:4[/eduexe-source]

[student_1137_mop]

Gdzie znaleźć macierz pomyłek w tym google coś?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (confusion matrix) w Google Teachable Machine znajdziesz w sekcji "Dla zaawansowanych" (Advanced). Dostęp do niej uzyskasz, otwierając menu "Zaawansowane" w sekcji "Trening" po wytrenowaniu modelu. [eduexe-source]18:1[/eduexe-source][eduexe-source]22:3[/eduexe-source]

[student_1137_mop]

Z czym się ściśle wiżą metryki w uczeniu maszynowym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w uczeniu maszynowym ściśle wiążą się z oceną wytrenowanych modeli. Ich obliczanie opiera się na macierzy pomyłek, która pokazuje, ile przykładów ze zbioru testowego zostało poprawnie lub błędnie zaklasyfikowanych przez model. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[student_1137_mop]

wytłumacz jak policzyć to zadanie: Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych?