conversation_by_mdu

[student_1137_mdu]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich ostatnich postępów i trudności w teście "Dane w procesie uczenia", przygotowałem 3 pytania kontrolne:

1. Jaka jest kluczowa różnica między problemem "nierównej liczebności klas" a "danymi spoza klas" w kontekście uczenia maszynowego? [eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]
2. Wyobraź sobie, że Twój model klasyfikujący psy i koty, nie widział nigdy zdjęcia lwa i klasyfikuje go jako psa. Jak naprawić ten problem? [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source]
3. Model poprawnie klasyfikuje większość zdjęć, ale ma problem z rozpoznaniem rzadkiego gatunku, który jest podobny do dwóch już znanych mu klas. Jakie są dwie główne strategie rozwiązania tego problemu? [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source]

Spróbuj odpowiedzieć na te pytania, a następnie możemy omówić Twoje rozumienie.

[student_1137_mdu]

okej mam zapisane odpowiedzi daj mi poprawne żebym mógł sobie sprawdzić

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Oto poprawne odpowiedzi na Twoje pytania:

1. Jaka jest kluczowa różnica między problemem "nierównej liczebności klas" a "danymi spoza klas" w kontekście uczenia maszynowego?
   Problem "nierównej liczebności klas" występuje, gdy jedna klasa ma znacznie mniej przykładów w zbiorze uczącym niż inne, co może prowadzić do ignorowania tej klasy przez model. "Dane spoza klas" to sytuacja, gdy model otrzymuje dane, dla których w ogóle nie ma zdefiniowanej klasy, co skutkuje błędną klasyfikacją do jednej z istniejących klas. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source][eduexe-source]13:4[/eduexe-source][eduexe-source]13:5[/eduexe-source]

2. Wyobraź sobie, że Twój model klasyfikujący psy i koty, nie widział nigdy zdjęcia lwa i klasyfikuje go jako psa. Jak naprawić ten problem?
   Aby naprawić ten problem, należy dodać nową klasę dla lwów, załadować do niej odpowiednie zdjęcia, a następnie ponownie wytrenować model. [eduexe-source]11:5[/eduexe-source][eduexe-source]13:4[/eduexe-source]

3. Model poprawnie klasyfikuje większość zdjęć, ale ma problem z rozpoznaniem rzadkiego gatunku, który jest podobny do dwóch już znanych mu klas. Jakie są dwie główne strategie rozwiązania tego problemu?
   Dwie główne strategie to:

   1. Znalezienie i dodanie większej liczby przykładów tego rzadkiego gatunku do odpowiedniej klasy, aby model mógł się jej lepiej nauczyć.
   2. Utworzenie dodatkowej klasy pośredniej (np. "Niejednoznaczne") dla takich trudnych przypadków granicznych i umieszczenie w niej odpowiednich przykładów.
      [eduexe-source]12:3[/eduexe-source][eduexe-source]13:6[/eduexe-source]

[student_1137_mdu]

okej mam zapisane odpowiedzi daj mi poprawne żebym mógł sobie sprawdzić

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Oto poprawne odpowiedzi na Twoje pytania, które zostały już wcześniej przedstawione:

1. Jaka jest kluczowa różnica między problemem "nierównej liczebności klas" a "danymi spoza klas" w kontekście uczenia maszynowego?
Problem "nierównej liczebności klas" występuje, gdy jedna klasa ma znacznie mniej przykładów w zbiorze uczącym niż inne, co może prowadzić do ignorowania tej klasy przez model. [eduexe-source]11:4[/eduexe-source] "Dane spoza klas" to sytuacja, gdy model otrzymuje dane, dla których w ogóle nie ma zdefiniowanej klasy, co skutkuje błędną klasyfikacją do jednej z istniejących klas. [eduexe-source]11:5[/eduexe-source]

2. Wyobraź sobie, że Twój model klasyfikujący psy i koty, nie widział nigdy zdjęcia lwa i klasyfikuje go jako psa. Jak naprawić ten problem?
Aby naprawić ten problem, należy dodać nową klasę dla lwów, załadować do niej odpowiednie zdjęcia, a następnie ponownie wytrenować model. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

3. Model poprawnie klasyfikuje większość zdjęć, ale ma problem z rozpoznaniem rzadkiego gatunku, który jest podobny do dwóch już znanych mu klas. Jakie są dwie główne strategie rozwiązania tego problemu?
Dwie główne strategie to: Znalezienie i dodanie większej liczby przykładów tego rzadkiego gatunku do odpowiedniej klasy, aby model mógł się jej lepiej nauczyć. Utworzenie dodatkowej klasy pośredniej (np. "Niejednoznaczne") dla takich trudnych przypadków granicznych i umieszczenie w niej odpowiednich przykładów. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_mdu]

w tescie BT jest mowa o jakims pliku model_BT.tm' gdzie ja mogę go pobrać ?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pliki do kursu, w tym modele Google Teachable Machine, znajdują się w spakowanym pliku Materialy.zip. Możesz go pobrać z sekcji "Materiały do kursu" na początku kursu. [eduexe-source]1:2[/eduexe-source]
Plik model_BT.tm nie jest wprost wymieniony w treści kursu, ale w ćwiczeniach dotyczących danych w procesie uczenia (Moduł B, który jest związany z testem BT) jest mowa o pliku model_B1-3.tm, który znajduje się w folderze "Modele" w pobranych materiałach. [eduexe-source]11:6[/eduexe-source][eduexe-source]14:1[/eduexe-source]

[student_1137_mdu]

skąd mam wiedzieć czy dostałem punkty za pytania do ciebie?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Pytania, które zadajesz mi jako asystentowi, nie są punktowane. Punkty w kursie można zdobyć za test początkowy oraz testy cząstkowe (po każdym module) lub test końcowy. [eduexe-source]1:1[/eduexe-source]