conversation_by_8pk
-
a klasyfikacja
[eduexe-intent]other[/eduexe-intent]
Klasyfikacja to jeden z podstawowych problemów Uczenia Maszynowego nadzorowanego. Polega na przypisywaniu przez model danego obiektu do jednej z określonych klas. Przykładem jest odróżnianie zdjęć psów od zdjęć kotów. [eduexe-source]7:8[/eduexe-source] -
co to jest to google teachable machine
-
co to jest to google teachable machine
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie firmy Google, które pozwala na tworzenie modeli Uczenia Maszynowego bez potrzeby umiejętności programistycznych czy matematycznych. W kursie jest wykorzystywane do zadań praktycznych. [eduexe-source]8:1[/eduexe-source] -
jak istotne sa dane?
-
jak istotne sa dane?
[eduexe-intent]course_content[/eduexe-intent]
Dane są niezbędne do działania uczenia maszynowego. Odpowiedni dobór i przygotowanie danych jest niezwykle ważne, ponieważ ich jakość i reprezentatywność bezpośrednio wpływają na zdolność modelu do prawidłowego rozpoznawania i klasyfikowania obiektów. Problemy takie jak brak danych dla pewnych klas, nierówna liczebność klas czy niewystarczająca liczba przykładów mogą znacząco obniżyć skuteczność modelu. [eduexe-source]11:1[/eduexe-source][eduexe-source]14:2[/eduexe-source] -
czemu jak trenuje na bazie psow i kotow on mi np oceni auto jako psa
-
czemu jak trenuje na bazie psow i kotow on mi np oceni auto jako psa
[eduexe-intent]student_progress[/eduexe-intent]
Model klasyfikuje auto jako psa, ponieważ w procesie treningu nie nauczyłeś go rozpoznawać samochodów. Jego wiedza ogranicza się do klas, na których był trenowany (psy i koty), więc zmuszony jest przypisać nowy obiekt do jednej z tych znanych kategorii. [eduexe-source]11:5[/eduexe-source] -
a dokladniej wytlumacz mi to
-
a dokladniej wytlumacz mi to
[eduexe-intent]course_content[/eduexe-intent]
Model klasyfikuje auto jako psa, ponieważ w procesie treningu nie został nauczony rozpoznawania samochodów. Jego wiedza jest ograniczona wyłącznie do klas, na których był trenowany (psy i koty). Model nie "widział" żadnych przykładów samochodów, więc jest zmuszony przypisać nowy obiekt do jednej z tych znanych kategorii. Aby model poradził sobie z rozpoznawaniem samochodów, musiałaby zostać dodana dodatkowa klasa z obrazami samochodów do danych treningowych. [eduexe-source]11:5[/eduexe-source] -
czemu zbior uczacy musi byc wiekszy niz zbior testowy
-
czemu zbior uczacy musi byc wiekszy niz zbior testowy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (treningowy) musi być znacząco większy od zbioru testowego, ponieważ model potrzebuje dużej ilości danych, aby skutecznie się na nich uczyć i potrenować klasyfikowanie. [eduexe-source]15:7[/eduexe-source] -
z czego sklada sie Zbior testowy
-
z czego sklada sie Zbior testowy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) składa się z przykładów, których model nie wykorzystał w procesie uczenia się. Służy on do przetestowania, jak dobrze model radzi sobie z klasyfikacją nowych danych, których wcześniej nie widział. W Google Teachable Machine zbiór testowy automatycznie zawiera 15% danych z każdej klasy. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source] -
do czego mozna porownac zbior uczacy
-
do czego mozna porownac zbior uczacy
[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący można porównać do repetytorium z zadaniami, które rozwiązuje się, aby opanować materiał, i dla których w każdej chwili można sprawdzić poprawną odpowiedź. [eduexe-source]15:3[/eduexe-source] -
co mialam zle w tescie ct?
-
co mialam zle w tescie ct?
[eduexe-intent]student_progress[/eduexe-intent]
W teście CT (Test cząstkowy - podstawowe pojęcia UM) pomyliłaś się w jednym pytaniu:Pytanie: Pracujemy na modelu wczytanym do GTM z pliku "model_CT.tm". Z ilu wsadów dla wczytanego modelu będzie składać się pojedyncza epoka? [eduexe-source]19:1[/eduexe-source]
Twoja odpowiedź: 32
Poprawna odpowiedź: 11 -
jak 11 jest wyraznie napisane ze 32
-
jak 11 jest wyraznie napisane ze 32
[eduexe-intent]course_content[/eduexe-intent]
Wartość 11 jest poprawna, ponieważ w tym konkretnym przypadku zbiór uczący składa się ze 170 przykładów. Przy domyślnej wielkości wsadu ustawionej na 16, model potrzebuje 11 wsadów, aby przejść przez cały zbiór uczący w jednej epoce (10 wsadów po 16 przykładów i jeden wsad z pozostałymi 10 przykładami). [eduexe-source]16:5[/eduexe-source] -
czy mjest metryka?