conversation_by_a2y

[student_1137_a2y]

przez kogo zostałeś stworzony?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Zostałem stworzony przez Google.

[student_1137_a2y]

co to znaczt uczenie nadzorowane

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane (ang. supervised learning) to rodzaj uczenia maszynowego, w którym model uczy się na danych, do których dostarczamy mu również prawidłowe odpowiedzi (tzw. etykiety wynikowe). [eduexe-source]7:6[/eduexe-source]

Przykład: Model uczy się rozróżniać zdjęcia psów i kotów, analizując zdjęcia, które są już opisane jako "pies" lub "kot". [eduexe-source]7:6[/eduexe-source]

Pytanie sprawdzające: Dostarczamy modelowi dane o objawach pacjentów i informację, czy chorują na chorobę X. Celem jest decyzja, czy pacjent jest chory. Mamy tu do czynienia z uczeniem...
A) nadzorowanym
B) nienadzorowanym
C) przez wzmacnianie
[eduexe-source]7:7[/eduexe-source]

[student_1137_a2y]

jakie zagadnienia sa najwazniejsze z tej czesci kursu?

[student_1137_a2y]

s498780

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Brak informacji.

[student_1137_a2y]

jakie zagadnienia sa najwazniejsze z tej czesci kursu?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze zagadnienia z tej części kursu (Modułu A: Wprowadzenie do Uczenia Maszynowego) to:

• Definicja i główne elementy Uczenia Maszynowego [eduexe-source]7:1[/eduexe-source]
• Zastosowania Uczenia Maszynowego [eduexe-source]7:4[/eduexe-source]
• Podział Uczenia Maszynowego (nadzorowane, nienadzorowane, przez wzmacnianie) [eduexe-source]7:6[/eduexe-source]
• Problemy uczenia nadzorowanego (predykcja i klasyfikacja) [eduexe-source]7:8[/eduexe-source]
• Obsługa narzędzia Google Teachable Machine [eduexe-source]8:1[/eduexe-source]

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze zagadnienia z tej części kursu to: definicja i główne elementy Uczenia Maszynowego, jego zastosowania, podział na rodzaje (nadzorowane, nienadzorowane, przez wzmacnianie) oraz podstawowe problemy uczenia nadzorowanego (predykcja i klasyfikacja).
[eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source][eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source]

[student_1137_a2y]

przechodzimy do modulu B, podaj przyklady nietypowych danych testowych

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nietypowe dane testowe to takie, które sprawiają modelowi trudność w prawidłowej klasyfikacji. Przykłady z kursu to:

1. Przypadki graniczne między klasami: Dane, które posiadają cechy wspólne dla kilku klas, np. zdjęcie kota rasy Lykoi, który wygląda jak pies i może zostać błędnie zaklasyfikowany przez model uczony na psach i kotach. [eduexe-source]11:2[/eduexe-source]
2. Dane spoza klas: Obiekty, których model nie widział w procesie uczenia się i nie ma dla nich zdefiniowanej klasy, np. zdjęcie samochodu podane modelowi wytrenowanemu do rozpoznawania tylko psów i kotów. Model błędnie przypisze samochód do jednej z poznanych klas. [eduexe-source]11:5[/eduexe-source]

[student_1137_a2y]

jakie sa najczestsze problemy z danymi testowymi?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Najczęstsze problemy z danymi testowymi to: przypadki graniczne między klasami (dane trudne do sklasyfikowania, bo mają cechy wspólne dla kilku klas), nierówna liczebność klas (gdy jedna klasa jest znacznie słabiej reprezentowana) oraz dane spoza klas (obiekty, których model nie widział podczas uczenia i nie ma dla nich zdefiniowanej klasy).
[eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]

[student_1137_a2y]

jak mozemy naprawiac modele?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Modele możemy naprawiać poprzez odpowiednie modyfikowanie danych, na których się uczą. W przypadku danych spoza klas należy dodać nową klasę i załadować do niej odpowiednie przykłady. Dla nierównej liczebności klas uzupełnia się mniej liczną klasę o dodatkowe dane. Trudne przypadki graniczne można rozwiązać, dodając więcej podobnych przykładów do istniejącej klasy lub tworząc dodatkową klasę pośrednią. Po każdej zmianie danych należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_a2y]

przechodzimy do modulu C. czym jest zbior uczacy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to zbiór przykładów, na których model uczenia maszynowego się uczy, znając z góry prawidłową klasyfikację. Na przykład, w modelu rozróżniającym kanarki i wróble, zbiór uczący zawierałby zdjęcia kanarków podpisane jako "kanarki" oraz zdjęcia wróbli podpisane jako "wróble". [eduexe-source]15:3[/eduexe-source]

[student_1137_a2y]

czy W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine nie trzeba ręcznie dokonywać podziału danych na zbiór uczący i zbiór testowy. Narzędzie robi to automatycznie. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:6[/eduexe-source]