conversation_by_s2r
-
Czy w uczeniu nienadzorowanym ostatecznie po każdej iteracji nauczania - model ma jakiś sposób na sprawdzenie czy idzie w poprawnym kierunku nauki?
-
Czy w uczeniu nienadzorowanym ostatecznie po każdej iteracji nauczania - model ma jakiś sposób na sprawdzenie czy idzie w poprawnym kierunku nauki?
[eduexe-intent]course_content[/eduexe-intent]
W uczeniu nienadzorowanym model nie ma dostępu do "prawidłowych odpowiedzi" (etykiet wynikowych), dlatego nie jest w stanie sprawdzić, czy idzie w poprawnym kierunku nauki w taki sam sposób, jak model nadzorowany. Jego zadaniem jest samodzielne odkrywanie wzorców i zależności w danych. [eduexe-source]7:6[/eduexe-source] -
No dobra, ale skoro nie zna odpowiedzi - to jak może wiedzieć czy uczy się poprawnie? Możesz podać przykład takiego modelu?
-
No dobra, ale skoro nie zna odpowiedzi - to jak może wiedzieć czy uczy się poprawnie? Możesz podać przykład takiego modelu?
[eduexe-intent]student_progress[/eduexe-intent]
W uczeniu nienadzorowanym model nie ma dostępu do „prawidłowych odpowiedzi” (etykiet). Zamiast tego, jego zadaniem jest samodzielne odkrywanie wzorców i zależności w danych. Model wie, że uczy się poprawnie, gdy odkryte wzorce są spójne i dobrze odzwierciedlają strukturę danych, np. poprzez grupowanie podobnych elementów.Przykładem takiego modelu jest algorytm, któremu dostarczamy wymieszane zdjęcia różnych gatunków zwierząt. Model, bez znajomości nazw gatunków, powinien podzielić zdjęcia na grupy na zasadzie, że "grupa zdjęć A jest wyraźnie różna od grupy zdjęć B". Podstawowymi problemami uczenia nienadzorowanego są klasteryzacja i redukcja wymiarowości. [eduexe-source]7:6[/eduexe-source]
-
A np. szukanie funkcji kwadratowej podając jego punkty na osi to też uczenie nienadzorowane?
-
A np. szukanie funkcji kwadratowej podając jego punkty na osi to też uczenie nienadzorowane?
[eduexe-intent]course_content[/eduexe-intent]
Nie, szukanie funkcji kwadratowej na podstawie podanych punktów na osi to przykład uczenia nadzorowanego, a konkretnie problem predykcji. W takim przypadku modelowi dostarczane są "prawidłowe odpowiedzi" (wartości funkcji dla danych punktów), na podstawie których uczy się przewidywać konkretne wartości liczbowe. [eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source] -
Takim tokiem myślenia dla uczenia nienadzorowanego też podajemy zdjęcia - w moim przypadku zamiast zdjęć chciałem podać punkty, a to model miałby je podzielić - czyli szukać funkcji?
-
Takim tokiem myślenia dla uczenia nienadzorowanego też podajemy zdjęcia - w moim przypadku zamiast zdjęć chciałem podać punkty, a to model miałby je podzielić - czyli szukać funkcji?
[eduexe-intent]course_content[/eduexe-intent]
Rozumiem Twoje skojarzenie z dzieleniem zdjęć. W uczeniu nienadzorowanym model może podzielić punkty na grupy (klastry) na podstawie ich podobieństwa lub wzorców, które sam odkryje, bez znajomości "prawidłowych odpowiedzi". To byłoby przykładem klasteryzacji, która jest problemem uczenia nienadzorowanego. [eduexe-source]7:6[/eduexe-source]Jednakże, jeśli celem jest znalezienie konkretnej funkcji (np. kwadratowej), która ma opisywać te punkty, to model potrzebuje "prawidłowych odpowiedzi" (czyli wartości, które funkcja powinna zwracać dla danych punktów), aby móc ocenić, jak dobrze dopasowuje się do danych i korygować swoje parametry. Tego typu zadanie, polegające na przewidywaniu konkretnych wartości liczbowych, jest problemem predykcji i należy do uczenia nadzorowanego. [eduexe-source]7:8[/eduexe-source]
-
Co jest ważniejsze - jakość czy ilość danych w uczeniu?
-
Co jest ważniejsze - jakość czy ilość danych w uczeniu?
[eduexe-intent]course_content[/eduexe-intent]
W procesie uczenia maszynowego zarówno jakość, jak i ilość danych są niezwykle ważne i wzajemnie się uzupełniają. Odpowiedni dobór i przygotowanie danych (jakość) jest kluczowe, ponieważ model wytrenowany na danych niskiej jakości, nawet w dużej ilości, będzie działał niepoprawnie. Z drugiej strony, wystarczająca ilość danych pozwala modelowi na lepszą generalizację i zapobiega ignorowaniu mniej licznych przypadków czy klas. [11:1][11:3][11:4][14:2][15:7] -
A jak stwierdzić czy warto tworzyć klase pośrednią?
-
A jak stwierdzić czy warto tworzyć klase pośrednią?
[eduexe-intent]course_content[/eduexe-intent]
Klasę pośrednią warto tworzyć, gdy masz do czynienia z trudnymi do zaklasyfikowania przypadkami granicznymi, które nie pasują jednoznacznie do żadnej z istniejących klas. Jest to szczególnie przydatne, gdy nie dysponujesz jednoznaczną, prawidłową odpowiedzią dla tych przypadków. Aby to rozwiązanie było skuteczne, potrzebna jest wystarczająca liczba podobnych przypadków granicznych do umieszczenia w nowo utworzonej klasie. [11:4][12:3][14:6] -
Czy zbiór testowy na google teachable machine jest całkowicie losowy, czy wybór jest tworzony na podstawie jakiegoś algorytmu?
-
Czy zbiór testowy na google teachable machine jest całkowicie losowy, czy wybór jest tworzony na podstawie jakiegoś algorytmu?
[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine zbiór testowy jest tworzony automatycznie i losowo. Narzędzie przydziela losowo 15% danych z każdej klasy do zbioru testowego, a pozostałe 85% do zbioru uczącego. Tej proporcji nie można ręcznie zmienić. [15:4][15:7] -
Czy jeśli damy za dużo epok dla uczenia to model może stać się gorszy?
-
Czy jeśli damy za dużo epok dla uczenia to model może stać się gorszy?
[eduexe-intent]course_content[/eduexe-intent]
Tak, jeśli model jest uczony przez zbyt wiele epok, może to prowadzić do zjawiska przeuczenia (overfitting). Oznacza to, że model zbyt mocno dopasowuje się do danych treningowych, ucząc się ich na pamięć, zamiast uczyć się ogólnych wzorców. W efekcie, taki model będzie słabo radził sobie z nowymi, nieznanymi danymi testowymi, co sprawi, że jego ogólna skuteczność spadnie. [16:3][17:4] -
Jak najłatwiej zapamiętać TP,TN,FP,FN? Jak z typowej logiki programowania, że true to równość więc T[N/P] to równe sobie wartości, a N/P ?
-
Jak najłatwiej zapamiętać TP,TN,FP,FN? Jak z typowej logiki programowania, że true to równość więc T[N/P] to równe sobie wartości, a N/P ?
[eduexe-intent]course_content[/eduexe-intent]
Twoje skojarzenie jest bardzo trafne i ułatwia zapamiętanie!T (True) oznacza, że przewidywanie modelu zgadza się z rzeczywistością (model poprawnie zaklasyfikował).
F (False) oznacza, że przewidywanie modelu jest błędne (model pomylił się).Druga litera odnosi się do tego, co model przewidział:
P (Positive) - model przewidział klasę pozytywną (np. "chory").
N (Negative) - model przewidział klasę negatywną (np. "zdrowy").Zatem:
- TP (True Positive): Model przewidział pozytywny i było pozytywnie.
- TN (True Negative): Model przewidział negatywny i było negatywnie.
- FP (False Positive): Model przewidział pozytywny, ale było negatywnie.
- FN (False Negative): Model przewidział negatywny, ale było pozytywnie.
[eduexe-source]21:2[/eduexe-source]
-
Wytłumaczysz mi tak po ludzku jak działa recall?
-
Wytłumaczysz mi tak po ludzku jak działa recall?
[eduexe-intent]course_content[/eduexe-intent]
Czułość (recall) to metryka, która pokazuje, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Mówiąc prościej, jeśli szukasz wszystkich chorych osób, czułość powie Ci, ilu z nich Twój model faktycznie rozpoznał jako chorych spośród wszystkich chorych osób w danych. [24:1]