conversation_by_8rk

[bot_eduexe]

[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]

[student_1136_8rk]

wytlumacz Dane w procesie uczenia się

[bot_eduexe]

[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:

1. 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]
2. 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]
3. 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.

[student_1136_8rk]

jak odrozniane sa zdjecia?

[bot_eduexe]

[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]

[student_1136_8rk]

co to zbior uczacy

[bot_eduexe]

[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]

[student_1136_8rk]

co to zbior testowy

[bot_eduexe]

[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]

[student_1136_8rk]

czym sa metryki

[bot_eduexe]

[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]

[student_1136_8rk]

co daje dokładnosc?

[bot_eduexe]

[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]

[student_1136_8rk]

co daje precyzja?

[bot_eduexe]

[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]