conversation_by_8rk
-
czym jest uczenie maszynowe
-
czym jest uczenie maszynowe
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) to obszar Sztucznej Inteligencji (AI) skupiający się na algorytmach, które automatycznie poprawiają się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te budują model matematyczny, który potrafi podejmować decyzje lub prognozować wyniki bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka. [eduexe-source]7:1[/eduexe-source] -
Czym jest Google Teachable Machine?
-
Czym jest Google Teachable Machine?
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie firmy Google, które pozwala tworzyć modele Uczenia Maszynowego bez potrzeby posiadania umiejętności programistycznych czy matematycznych. Umożliwia ono tworzenie i zapisywanie modeli do różnych zastosowań. [eduexe-source]8:1[/eduexe-source] -
wytlumacz Dane w procesie uczenia się
-
wytlumacz Dane w procesie uczenia się
[eduexe-intent]course_content[/eduexe-intent]
W module "Dane w procesie uczenia się" (Moduł B) kluczowe jest zrozumienie, że odpowiedni dobór i przygotowanie danych to fundament dla skutecznego modelu uczenia maszynowego. Moduł ten omawia trzy główne problemy związane z danymi oraz sposoby ich rozwiązywania:- Nietypowe przypadki testowe (graniczne): To dane, które są niejednoznaczne lub przypominają inne klasy (np. "kot-wilkołak"). Aby temu zaradzić, należy dodać więcej takich przykładów do odpowiednich klas lub stworzyć dodatkową klasę pośrednią. [11:2], [12:3]
- Nierówna liczebność klas: Problem występuje, gdy jedna klasa jest słabo reprezentowana w danych uczących. Rozwiązaniem jest dodanie większej liczby przykładów do mniej licznych klas. [11:4], [12:1]
- Dane spoza klas: Są to obiekty, dla których model nie miał zdefiniowanej klasy. W tym przypadku należy dodać nowe klasy wraz z przykładami dla tych danych. [11:5], [12:1]
Zrozumienie tych kwestii jest kluczowe, ponieważ jakość danych bezpośrednio wpływa na skuteczność działania modelu.
-
jak odrozniane sa zdjecia?
-
jak odrozniane sa zdjecia?
[eduexe-intent]course_content[/eduexe-intent]
W kontekście Uczenia Maszynowego, zdjęcia są odróżniane przez model, który został wcześniej wytrenowany na zbiorze danych. Model uczy się wzorców i cech charakterystycznych dla każdej kategorii (np. "pies" i "kot") na podstawie dostarczonych mu zdjęć z już znanymi prawidłowymi odpowiedziami (etykietami). Po wytrenowaniu, model może oceniać nowe, nieznane zdjęcia, przypisując je do jednej z poznanych kategorii. [8:6], [8:9] -
co to zbior uczacy
-
co to zbior uczacy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to dane, na których model Uczenia Maszynowego uczy się, znając z góry prawidłowe odpowiedzi (klasyfikację lub etykiety). Zawiera on przykłady, które pozwalają modelowi identyfikować wzorce i zależności, aby mógł dopasować swoje parametry. [15:3], [20:1] -
co to zbior testowy
-
co to zbior testowy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) to zbiór danych, których model Uczenia Maszynowego nie widział podczas procesu uczenia. Służy do weryfikacji skuteczności modelu i oceny jego zdolności do generalizacji na nowe, nieznane przypadki. W Google Teachable Machine dane są automatycznie dzielone, zazwyczaj 15% z nich trafia do zbioru testowego. [15:3], [15:4], [20:1] -
czym sa metryki
-
czym sa metryki
[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka to funkcja, która przyjmuje model i zwraca wartość liczbową, pozwalającą porównać go z innymi modelami. Zasadniczo, im wyższa wartość metryki, tym wyższa ocena modelu. [21:1] -
co daje dokładnosc?
-
co daje dokładnosc?
[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka oceniająca jakość modelu Uczenia Maszynowego. Daje ona informację o tym, jaki procent wszystkich przykładów testowych został poprawnie zaklasyfikowany przez model. Im wyższa wartość (od 0 do 1), tym lepiej. Warto jednak pamiętać, że w przypadku niezbalansowanych danych może być myląca. [22:1], [22:6] -
co daje precyzja?
-
co daje precyzja?
[eduexe-intent]course_content[/eduexe-intent]
Precyzja (Precision) pokazuje, jaki odsetek wszystkich przypadków, które model zaklasyfikował jako pozytywne, jest faktycznie poprawny. Jest to kluczowa metryka, gdy ważne jest minimalizowanie fałszywych pozytywów, czyli sytuacji, w których model błędnie zaklasyfikował przypadek negatywny jako pozytywny. Na przykład, jeśli diagnoza prowadzi do drogiego leczenia, chcemy mieć pewność, że tylko rzeczywiście chorzy otrzymają pozytywną diagnozę. [23:1], [26:4]