conversation_by_7u2

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oprogramowanie do rozpoznawania mowy to zastosowanie Uczenia Maszynowego, które obejmuje m.in. automatyczne tłumaczenie, rozpoznawanie mowy ludzkiej, dyktowanie komputerowi, interfejsy użytkownika sterowane głosem oraz automatyzację głosem czynności domowych. [eduexe-source]7:4[/eduexe-source]

[student_1137_7u2]

Uczenie Maszynowe możemy podzielić na trzy główne podkategorie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe możemy podzielić na trzy główne podkategorie: uczenie nadzorowane, uczenie nienadzorowane oraz uczenie przez wzmacnianie. [eduexe-source]7:6[/eduexe-source]

[student_1137_7u2]

Problemy Uczenia Maszynowego nadzorowanego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Możemy wyróżnić dwa podstawowe problemy Uczenia Maszynowego nadzorowanego:

1. Predykcja – przewidywanie przez model konkretnej wartości liczbowej zmiennej zależnej (np. przewidywanie cen mieszkań).
2. Klasyfikacja – przypisywanie obiektu do jednej z określonych klas (np. odróżnianie zdjęć psów od kotów).

W dalszej części kursu skupimy się wyłącznie na zadaniu klasyfikacji. [eduexe-source]7:8[/eduexe-source]

[student_1137_7u2]

Google Teachable Machine

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie udostępnione przez firmę Google, które umożliwia tworzenie modeli Uczenia Maszynowego. Do korzystania z GTM nie są potrzebne żadne umiejętności programistyczne ani matematyczne, wystarczy ogólne zrozumienie, czym Uczenie Maszynowe jest. Będziemy z niego korzystać podczas całego kursu. [eduexe-source]8:1[/eduexe-source]

[student_1137_7u2]

Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B1.jpg"? dane spoza klas przypadek graniczny między klasami nierówna liczebność klas z żadnym, model poprawnie zaklasyfikował obrazek

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W przypadku pliku "test_B1.jpg" mamy do czynienia z przypadkiem granicznym między klasami. Jest to złośliwy przypadek graniczny, który może zostać zinterpretowany zarówno jako "2", jak i "1", a nawet "7". [eduexe-source]11:8[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_7u2]

Czy zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie. Był to sposób na naprawienie problemu nierównej liczebności klas, gdzie klasa "3" początkowo miała zbyt mało przykładów. [eduexe-source]12:4[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1137_7u2]

Pozostał nam jeszcze do sprawdzenia plik "test_B1.jpg". Jak się okazuje, przedstawia on niechlujnie zapisaną cyfrę, którą nawet człowiekowi może być trudno rozpoznać. Model także ma problem, nie mogąc się jednoznacznie zdecydować na żadną z opcji lub decyd

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Plik "test_B1.jpg" przedstawia przypadek graniczny między klasami. Jest to niechlujnie zapisana cyfra, którą trudno rozpoznać nawet człowiekowi, dlatego model ma problem z jednoznaczną klasyfikacją. Możesz dodać więcej podobnych przypadków granicznych do odpowiednich klas lub stworzyć klasę pośrednią, np. "Niejednoznaczną", dla trudnych przypadków. [eduexe-source]14:6[/eduexe-source]

[student_1137_7u2]

Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda Fałsz

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Prawda. Zbiór testowy składa się z przykładów, na których model nie trenował, a służy do oceny, jak dobrze model radzi sobie z nowymi, nieznanymi danymi. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:5[/eduexe-source]

[student_1137_7u2]

Proporcje podziału danych na zbiór uczący i zbiór testowy

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Nie można ręcznie zmienić tej proporcji w GTM.

Ogólnie w Uczeniu Maszynowym, zbiór uczący powinien być znacząco większy od testowego, zbiór testowy powinien być reprezentatywny dla całości danych i wystarczająco duży. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source]

[student_1137_7u2]

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?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cały zbiór testowy dla tego modelu będzie składał się łącznie z 90 przykładów.

W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15. Oznacza to, że 15% wszystkich przykładów trafia do zbioru testowego.
Dla 3 klas po 200 przykładów każda, daje to łącznie 600 przykładów (3 * 200 = 600).
15% ze 600 przykładów to 90 przykładów (600 * 0.15 = 90). [eduexe-source]15:9[/eduexe-source]

[student_1137_7u2]

Wielkość wsadu to