conversation_by_lxl

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Działanie modelu zależy od danych, na których był trenowany. Jeśli pies na reklamie będzie wyglądał znacząco inaczej (np. inna rasa, nietypowa poza, specyficzna stylizacja) niż psy w zbiorze uczącym, model może sobie radzić gorzej. Jest to przykład "nietypowego przypadku testowego", gdzie model może mieć obniżoną pewność klasyfikacji lub nawet się pomylić. [eduexe-source]11:2[/eduexe-source][eduexe-source]8:8[/eduexe-source]

[student_1136_lxl]

Przeslalem modelowi zdjecie mojego psa. Model stwierdzil ze moj pies jest w 76% kotem dlaczego?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Model klasyfikuje na podstawie wzorców, których nauczył się z danych treningowych. Twój pies mógł być dla modelu "nietypowym przypadkiem testowym" [eduexe-source]11:2[/eduexe-source], którego cechy bardziej przypominały to, co model "zna" jako kota. Możliwe, że dane treningowe dla psów były zbyt mało zróżnicowane, co prowadzi do słabszej generalizacji, lub model uległ przeuczeniu [eduexe-source]17:4[/eduexe-source].

[student_1136_lxl]

Okej dzieki

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Okej. Cieszę się, że mogłem pomóc!

Czy masz jeszcze jakieś pytania dotyczące kursu lub uczenia maszynowego?

[student_1136_lxl]

Co zawiera model ktory mam wczytac?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model, który masz wczytać (plik "model_B1-3.tm"), zawiera pięć klas dla odręcznie pisanych cyfr: 1, 2, 3, 5 oraz 7. Jego celem jest rozpoznawanie tych cyfr, czyli klasyfikowanie ich do jednej z tych kategorii. [eduexe-source]14:2[/eduexe-source]

[student_1136_lxl]

Skad to wiedziales?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Wiedziałem to z treści kursu. Informacje o tym, co zawiera model "model_B1-3.tm", znajdują się w komponencie [eduexe-source]14:2[/eduexe-source]. Ten slajd opisuje, że model zawiera pięć klas dla odręcznie pisanych cyfr: 1, 2, 3, 5 oraz 7, a jego celem jest ich rozpoznawanie.

[student_1136_lxl]

Czy jest jakiś sposób, aby stworzyć model z kategorią "inne" do której model by zaliczał wszystkie rzeczy których nie zna. Czyli np jak mamy model do rozpoznywania liczb, a przeslemy mu litere to da ją do zakategoryzuje ja jako "inne"

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, jest to możliwe i jest to często stosowane podejście w uczeniu maszynowym. Aby model mógł klasyfikować coś jako "inne", musi zostać wytrenowany na przykładach tego, co ma zaliczać do tej kategorii.

W praktyce oznacza to, że należałoby stworzyć dodatkową klasę o nazwie np. "Inne" lub "Nieznane" i dostarczyć modelowi różnorodne przykłady danych, które nie pasują do żadnej z głównych kategorii, ale które model powinien rozpoznać jako "niezgodne" z jego podstawowym zestawem klas. Na przykład, dla modelu rozpoznającego cyfry, do klasy "Inne" można by dodać zdjęcia liter, symboli czy innych obiektów.

Kurs porusza podobne zagadnienia w kontekście "danych spoza klas" oraz "przypadków granicznych", gdzie model nie potrafi sobie poradzić z danymi, których nie widział lub które są niejednoznaczne. Sugeruje się tam dodawanie nowych klas dla konkretnych, wcześniej nieznanych typów danych. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source] Możesz więc rozszerzyć tę koncepcję na bardziej ogólną klasę "Inne", trenując model na szerokiej gamie "nieznanych" przykładów.

[student_1136_lxl]

Mialem na mysli, zeby model sam rozpoznywal ze nie wiedzial podobnych obiektow. Innymi slowy czy jest mozliwe aby dodać opcję, aby model mógł powiedzieć "nie wiem", kiedy widzi samochód po raz pierwszy na oczy a był trenowany żeby rozpoznywać zwierzęta.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że masz na myśli zdolność modelu do rozpoznawania, że dany obiekt jest całkowicie nowy i nie pasuje do żadnej z klas, na których był trenowany, bez wcześniejszego uczenia się na przykładach "innych" obiektów.

Standardowe modele klasyfikacyjne, w tym te, które tworzymy w Google Teachable Machine, są tzw. modelami "zamkniętego zbioru" (closed-set). Oznacza to, że zawsze próbują przypisać dany obiekt do jednej z klas, na których zostały wytrenowane, nawet jeśli ten obiekt jest zupełnie nowy. Dlatego samochód, którego model nie widział, zostanie zaklasyfikowany jako "pies" lub "kot" z pewnym prawdopodobieństwem, bo model nie ma pojęcia o kategorii "samochód" ani o możliwości "nie wiem". [eduexe-source]11:5[/eduexe-source]

Aby model mógł w pewnym sensie powiedzieć "nie wiem", potrzebne są bardziej zaawansowane techniki, takie jak:

1. Ustalenie progu pewności: Jeśli najwyższa pewność klasyfikacji dla którejkolwiek ze znanych klas jest poniżej ustalonego progu, model może zgłosić "nieznane".
2. Detekcja nowości/anomalii: Model uczy się, co jest "normalne" dla jego znanych klas, a wszystko, co znacząco odbiega od tego wzorca, jest traktowane jako nowość lub anomalia.

Są to obszary badawcze w uczeniu maszynowym (np. "open-set recognition"), które wykraczają poza podstawowy zakres naszego kursu.

[student_1136_lxl]

Co zawiera model_BT.tm?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1136_lxl]

Czy w danym batch'u dane sa jakos grupowane czy wybierane (np po rowno z kazdej klasy)? Czy sa przesylane tak jak leci?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W kursie jest mowa o wielkości wsadu (batch size) jako o liczbie przykładów, które model otrzymuje na raz do trenowania w pojedynczej iteracji [eduexe-source]16:5[/eduexe-source]. Nie ma natomiast szczegółowych informacji, czy dane w danym wsadu są grupowane lub wybierane po równo z każdej klasy.

Ogólnie w uczeniu maszynowym, dane w zbiorze treningowym są zazwyczaj tasowane (mieszane) na początku każdej epoki, a następnie dzielone na wsady. Oznacza to, że pojedynczy wsad zawiera losową mieszankę przykładów z różnych klas, a nie jest specjalnie grupowany ani równo rozkładany pod względem klas, chyba że zastosowano specjalne techniki samplingu.

[student_1136_lxl]

Jaką wartości przyjmuję funkcja straty i czy da się ją głębiej interpretować niż "im bliższa zeru tym lepsza"?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Funkcja straty (loss function) przyjmuje wartość 0 dla idealnego modelu, który nigdy się nie myli. Jest to różnica między prawidłową odpowiedzią a odpowiedzią zwróconą przez model, a celem trenowania jest jej minimalizowanie.

Interpretacja funkcji straty może być głębsza niż tylko dążenie do zera. Obserwacja, jak zmienia się wartość funkcji straty dla zbioru uczącego i zbioru testowego w kolejnych epokach, pozwala zdiagnozować:

• Przeuczenie (overfitting): Gdy strata dla zbioru uczącego maleje, ale dla zbioru testowego przestaje maleć lub zaczyna rosnąć.
• Niedouczenie (underfitting): Gdy model jest zbyt prosty, a wartości straty są wysokie zarówno dla zbioru uczącego, jak i testowego. [eduexe-source]17:2[/eduexe-source][eduexe-source]17:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]

[student_1136_lxl]

Mialem na myslicz czy liczba ta reprezentuje coś konkretnego jak np procent poprawnych odpowiedzi, badz ilosc.