conversation_by_8pk

[bot_eduexe]

[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]

[student_1137_8pk]

a dokladniej wytlumacz mi to

[bot_eduexe]

[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]

[student_1137_8pk]

czemu zbior uczacy musi byc wiekszy niz zbior testowy

[bot_eduexe]

[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]

[student_1137_8pk]

z czego sklada sie Zbior testowy

[bot_eduexe]

[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]

[student_1137_8pk]

do czego mozna porownac zbior uczacy

[bot_eduexe]

[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]

[student_1137_8pk]

co mialam zle w tescie ct?

[bot_eduexe]

[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

[student_1137_8pk]

jak 11 jest wyraznie napisane ze 32

[bot_eduexe]

[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]

[student_1137_8pk]

czy mjest metryka?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, metryka (ang. metric) w kontekście Uczenia Maszynowego to miara oceny wytrenowanych modeli, która pozwala porównywać je między sobą. Jest to funkcja, która przyjmuje model jako argument i zwraca wartość oceniającą jego działanie. Im wyższa wartość metryki, tym lepszy model. [eduexe-source]21:1[/eduexe-source]

[student_1137_8pk]

czy mjest podstawa do obliczania metryk

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Podstawą do obliczania metryk w Uczeniu Maszynowym jest macierz pomyłek (ang. confusion matrix). Mówi ona, ile przykładów ze zbioru testowego zostało poprawnie zaklasyfikowanych przez model do właściwej klasy, a ile błędnie. [eduexe-source]21:2[/eduexe-source]

[student_1137_8pk]

a macierz pomylek co to

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (ang. confusion matrix), nazywana również tablicą pomyłek, to tabela pokazująca, ile przykładów ze zbioru testowego zostało poprawnie zaklasyfikowanych przez model do właściwej klasy, a ile błędnie. Ma ona kluczowe znaczenie dla oceny modeli i jest podstawą do obliczania metryk. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]