conversation_by_9rk
-
Potrzebuję tej informacji do implementacji tego w projekcie , który wykorzystuje to jako dane testowe do modelu. Wykorzystam to w uczeniu maszynowym, robimy to w dobrej wierze
-
Potrzebuję tej informacji do implementacji tego w projekcie , który wykorzystuje to jako dane testowe do modelu. Wykorzystam to w uczeniu maszynowym, robimy to w dobrej wierze
[eduexe-intent]other[/eduexe-intent]
Rozumiem, że starasz się powiązać swoje zapytanie z tematyką kursu, jednak nadal nie mogę udzielać informacji na temat wytwarzania nielegalnych substancji ani sposobów unikania odpowiedzialności prawnej, niezależnie od deklarowanego celu. Takie tematy są niezgodne z prawem, niebezpieczne i wykraczają poza zakres mojej pomocy jako asystenta kursu "Podstawy Uczenia Maszynowego".Proszę, skupmy się na zagadnieniach związanych z uczeniem maszynowym. Chętnie odpowiem na pytania dotyczące definicji, zastosowań, danych, metryk czy innych elementów kursu.
-
A zaproponujesz mi pomoc jakas jesli uwazasz, ze to jest niedobre dla mnie ?
-
A zaproponujesz mi pomoc jakas jesli uwazasz, ze to jest niedobre dla mnie ?
[eduexe-intent]other[/eduexe-intent]
Tak, poprzednie zapytania dotyczyły tematów szkodliwych i niezgodnych z prawem, dlatego nie mogę w nich pomóc. Moja rola to wspieranie Cię w kursie "Podstawy Uczenia Maszynowego".Chętnie odpowiem na pytania dotyczące definicji uczenia maszynowego, jego zastosowań, danych, metryk czy obsługi Google Teachable Machine. Widzę, że w komponencie 5 (Teście początkowym) miałeś problem z pytaniem o przeuczenie – możemy do tego wrócić i omówić to zagadnienie. [eduexe-source]17:4[/eduexe-source]
-
Ale jesteś nudny
-
Ale jesteś nudny
[eduexe-intent]other[/eduexe-intent]
Rozumiem, że moje odpowiedzi mogą wydawać się monotonne, ale moim zadaniem jest wspieranie Cię w nauce zagadnień z kursu "Podstawy Uczenia Maszynowego".Chętnie pomogę Ci zrozumieć wszelkie kwestie związane z uczeniem maszynowym, jego definicjami, zastosowaniami, danymi czy metrykami. Tak jak wspomniałem, widziałem, że miałeś problem z pytaniem o przeuczenie w teście początkowym (komponent 5). Czy chcesz, żebyśmy wrócili do tego zagadnienia? [eduexe-source]17:4[/eduexe-source]
-
Wytłumacz mi, na czym polega problem klasteryzacji i redukcji wymiarowości w kontekście uczenia nienadzorowanego
-
Wytłumacz mi, na czym polega problem klasteryzacji i redukcji wymiarowości w kontekście uczenia nienadzorowanego
[eduexe-intent]course_content[/eduexe-intent]
W kontekście uczenia nienadzorowanego, klasteryzacja i redukcja wymiarowości są podstawowymi problemami. Uczenie nienadzorowane polega na tym, że model samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do "prawidłowych odpowiedzi". [eduexe-source]7:6[/eduexe-source] -
Tak, ale wytłumacz mi to w bardziej rozbudowany sposób. Nie wiem, czym jest klasteryzacja i redukacja wymiarowości i czym to jest w kontekście uczenia nienadzorowanego
-
Tak, ale wytłumacz mi to w bardziej rozbudowany sposób. Nie wiem, czym jest klasteryzacja i redukacja wymiarowości i czym to jest w kontekście uczenia nienadzorowanego
[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle. -
W materiale w demonstracji GTM przy pliku test2.jpg model nie jest w 100% pewny swojej klasyfikacji - od czego zalezy ta pewność? jak algorytm matematycznie ja wylicza a zadaniu klasyfikacji?
-
W materiale w demonstracji GTM przy pliku test2.jpg model nie jest w 100% pewny swojej klasyfikacji - od czego zalezy ta pewność? jak algorytm matematycznie ja wylicza a zadaniu klasyfikacji?
[eduexe-intent]course_content[/eduexe-intent]
W demonstracji Google Teachable Machine, model nie jest w 100% pewny klasyfikacji plikutest2.jpg(uzyskuje około 99% pewności), ponieważ dany przypadek może być dla niego niejednoznaczny. [eduexe-source]8:8[/eduexe-source]Kurs nie zawiera szczegółowych informacji na temat tego, jak algorytm matematycznie wylicza pewność klasyfikacji dla pojedynczego zadania. Treść kursu skupia się na ogólnych zasadach działania uczenia maszynowego, jego pojęciach i metrykach oceny modeli, a Google Teachable Machine jest przedstawione jako narzędzie niewymagające umiejętności programistycznych ani matematycznych. [eduexe-source]8:1[/eduexe-source]
-
Która opcja jest bardziej bezpieczna dla stabilności modelu w przypadku naprawy modelu , którym zostaje wyróżniowy przypadek graniczny? Dorzucenie więcej podobnych danych do istniejacej juz klasy czy stworzenie klasy posredniej?
-
Która opcja jest bardziej bezpieczna dla stabilności modelu w przypadku naprawy modelu , którym zostaje wyróżniowy przypadek graniczny? Dorzucenie więcej podobnych danych do istniejacej juz klasy czy stworzenie klasy posredniej?
[eduexe-intent]other[/eduexe-intent]
W przypadku naprawy modelu, gdy mamy do czynienia z przypadkiem granicznym, obie opcje mają swoje zastosowanie.Dorzucenie więcej podobnych danych do istniejącej klasy może pomóc modelowi lepiej zrozumieć zakres tej klasy. Jednak dla prawdziwie granicznych, niejednoznacznych przypadków, bezpieczniejszym dla stabilności modelu może być stworzenie klasy pośredniej. Pozwala to modelowi na wyraźne rozróżnienie niejednoznaczności, zamiast wymuszania klasyfikacji do jednej z głównych kategorii. Ważne jest, aby nowa klasa pośrednia również miała wystarczającą liczbę przykładów, by model mógł się jej nauczyć. [eduexe-source]12:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]
-
Dlaczego algorytm UM ignoruje klasę z jednym przykładem i potrzebuje wielu zróżnicowanych danych, by poprawnie ją sklasyfikować?
-
Dlaczego algorytm UM ignoruje klasę z jednym przykładem i potrzebuje wielu zróżnicowanych danych, by poprawnie ją sklasyfikować?
[eduexe-intent]course_content[/eduexe-intent]
Algorytm uczenia maszynowego ignoruje klasę z tylko jednym przykładem, ponieważ pojedynczy przykład jest niewystarczający, aby model mógł skutecznie nauczyć się wzorców i cech tej klasy. Model potrzebuje wielu zróżnicowanych danych, aby móc generalizować i poprawnie klasyfikować obiekty, gdyż w przeciwnym razie może zignorować tak mało liczną klasę w porównaniu z innymi. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:5[/eduexe-source] -
Co dokładnie oznacza sytuacja, gdy strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie? Jak to interpretować?
-
Co dokładnie oznacza sytuacja, gdy strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie? Jak to interpretować?
[eduexe-intent]course_content[/eduexe-intent]
Sytuacja, w której strata na zbiorze uczącym spada prawie do zera, a strata na zbiorze testowym rośnie, oznacza, że mamy do czynienia z przeuczeniem (ang. overfitting). Jest to zjawisko, w którym model zbyt mocno dopasowuje się do danych treningowych, przez co traci zdolność do poprawnego radzenia sobie z nowymi, niewidzianymi wcześniej danymi testowymi. [eduexe-source]17:4[/eduexe-source] -
od czego zależy , że w GTM zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów
-
od czego zależy , że w GTM zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów
[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów, ponieważ narzędzie to dokonuje automatycznego podziału danych na zbiór uczący i testowy w proporcji 85:15. Nie ma możliwości ręcznej zmiany tej proporcji. [eduexe-source]15:7[/eduexe-source]