conversation_by_7ct

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Cześć! Materiały do kursu to spakowany plik typu .zip, który zawiera dane do uczenia i testowania modeli oraz gotowe modele. Są one niezbędne do wykonywania ćwiczeń i rozwiązywania testów w trakcie kursu. Możesz je pobrać w zakładce "Start" w menu kursu. [eduexe-source]1:2[/eduexe-source][eduexe-source]8:3[/eduexe-source]

[student_1136_7ct]

Skąd wiadomo ile danych potrzeba (w tym akurat przypadku, ile zdjęć kotów i psów) aby wiarygodnie stwierdzić czy na nowym zdjęciu jest kot czy pies?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby wiarygodnie klasyfikować zdjęcia kotów i psów, potrzebujesz wystarczającej liczby przykładów dla każdej klasy, najlepiej o podobnej liczebności. Model uczy się tylko na podstawie dostarczonych danych, więc muszą one być reprezentatywne. Zbyt mało danych dla jednej klasy może sprawić, że model ją zignoruje. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]

[student_1136_7ct]

Mam teraz 10 zdjęć hipopotama i 10 zdjęć muchy. jeżeli wytrenuje model na takiej ilości zdjęć, to będzie w stanie on rozpoznać co jest na nowym zdjęciu?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cześć! Mając tylko 10 zdjęć hipopotama i 10 zdjęć muchy, model będzie miał bardzo trudne zadanie, aby nauczyć się wiarygodnie rozpoznawać te obiekty na nowych zdjęciach.

Mimo że liczebność klas jest zrównoważona, taka ilość danych jest zazwyczaj zbyt mała dla modeli uczenia maszynowego, zwłaszcza tych używanych do rozpoznawania obrazów. Model może "zapamiętać" konkretne cechy tych 10 zdjęć, ale nie nauczy się wystarczająco ogólnych wzorców, aby poprawnie klasyfikować nowe, nieznane obrazy hipopotamów czy much.

Jak wspomnieliśmy wcześniej, model potrzebuje wystarczającej liczby przykładów, aby dane były reprezentatywne. Zbyt mała ilość danych uniemożliwia modelowi skuteczne klasyfikowanie i wykrycie prawidłowości [eduexe-source]15:7[/eduexe-source][eduexe-source]17:6[/eduexe-source].

[student_1136_7ct]

Jeżeli będę miał po 1000 zdjęć much i hipopotamów, to model się nie przetrenuje?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Posiadanie po 1000 zdjęć much i hipopotamów znacznie zmniejszy ryzyko przeuczenia modelu w porównaniu do bardzo małych zbiorów danych. Większa liczba przykładów pozwala modelowi nauczyć się bardziej ogólnych wzorców, zamiast nadmiernie dopasowywać się do konkretnych danych treningowych, co jest przyczyną przeuczenia. [eduexe-source]17:4[/eduexe-source] Jednak samo zwiększenie liczby danych nie eliminuje całkowicie ryzyka przeuczenia, gdyż na ten proces wpływają również inne czynniki.

[student_1136_7ct]

Dlaczego na teście zdjęcia nr 4, model przypisuje samochód do akurat do klasy pies a nie kot czy kotopies?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model przypisuje samochód do klasy "pies", ponieważ w procesie treningu nie był uczony rozpoznawania samochodów. Model znał jedynie kategorie "pies", "kot" i ewentualnie "kotopies", więc musiał zaklasyfikować samochód do jednej z nich, mimo że nie miał żadnych przykładów, jak wygląda samochód. Jego wiedza ograniczała się do dostarczonych danych. [eduexe-source]11:5[/eduexe-source]

[student_1136_7ct]

Rozumiem, że "Świat" modelu to tylko 3 obiekty, kot, pies i kotopies. Samochód nie należy do żadnej z nich. Mimo to musi być gdzieś przypisany, tylko dlaczego do psa?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
"Świat" modelu faktycznie ogranicza się do danych, na których został wytrenowany. Kiedy model napotyka obiekt spoza swoich zdefiniowanych klas, jak samochód, próbuje przypisać go do kategorii, która jest najbardziej zbliżona do jego wewnętrznych, nauczonych wzorców. Kurs nie precyzuje dokładnie, jakie cechy samochodu sprawiły, że został on zaklasyfikowany jako "pies", a nie "kot" czy "kotopies". Wiemy jednak, że model musiał dokonać wyboru spośród dostępnych mu kategorii, ponieważ nie znał on klasy "samochód". [eduexe-source]11:5[/eduexe-source]