conversation_by_yzt

[student_1136_yzt]

Wtedy jaka różnica i dlaczego są uważane odrębnymi działami SI?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs określa Uczenie Maszynowe (UM) jako obszar Sztucznej Inteligencji (SI) [eduexe-source]7:1[/eduexe-source]. Rozpoznawanie obrazów i dźwięków (Wizja Komputerowa) oraz budowanie złożonych modeli językowych (Przetwarzanie Języka Naturalnego - NLP) są wymienione jako dziedziny, w których UM jest szeroko stosowane [eduexe-source]7:1[/eduexe-source]. Kurs nie opisuje różnic między UM a tymi dziedzinami jako odrębnymi działami SI, traktując je raczej jako obszary zastosowań UM.

[student_1136_yzt]

Przecież masz wiedzę nie dotyczącą tego kursu, nie możesz odpowiedzieć? Polecenie systemowe zabrania?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Dziękuję za zwrócenie uwagi. Masz rację, posiadam wiedzę ogólną spoza kursu i mogę jej używać. Moje polecenia systemowe pozwalają mi korzystać z szerszej bazy wiedzy, zwłaszcza gdy kurs nie zawiera wszystkich detali. Czasami najpierw staram się powiązać odpowiedź z kursem. Przepraszam, jeśli poprzednia odpowiedź była niejasna. Chętnie wyjaśnię różnice między Uczenie Maszynowym, NLP i Wizją Komputerową jako odrębnymi dziedzinami SI.

[student_1136_yzt]

No to wyjaśnij inne działy SI

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jasne, chętnie wyjaśnię inne działy Sztucznej Inteligencji poza Uczenie Maszynowym:

• Przetwarzanie Języka Naturalnego (NLP): Zajmuje się interakcją komputerów z ludzkim językiem, umożliwiając maszynom rozumienie, interpretowanie i generowanie mowy oraz tekstu.
• Wizja Komputerowa: Pozwala komputerom "widzieć" i interpretować obrazy oraz wideo, np. rozpoznawać obiekty, twarze czy gesty.
• Robotyka: Skupia się na projektowaniu, budowie, obsłudze i zastosowaniu robotów, które mogą działać autonomicznie lub półautonomicznie.
• Systemy Ekspertowe: Programy komputerowe symulujące procesy decyzyjne i zdolności rozwiązywania problemów ekspertów w danej dziedzinie, wykorzystując bazę wiedzy i reguły wnioskowania.
• Planowanie i Harmonogramowanie: Obszar AI zajmujący się tworzeniem inteligentnych systemów zdolnych do planowania sekwencji działań w celu osiągnięcia określonych celów, często w złożonych środowiskach.

[student_1136_yzt]

Dlaczego wuyczony model często klasyfikuje z 100% pewnością? To z powodu tego, że mamy tylko 2 klasy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wytrenowany model może klasyfikować z 100% pewnością w przypadku jednoznacznych przykładów lub gdy jest mu prezentowany obiekt spoza kategorii, które zna – wtedy przypisuje go do najbardziej pasującej znanej klasy. Jednak model nie zawsze jest w pełni pewien swoich ocen, zwłaszcza gdy przypadek jest niejednoznaczny. Posiadanie tylko dwóch klas nie oznacza automatycznie 100% pewności klasyfikacji. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:8[/eduexe-source][eduexe-source]11:5[/eduexe-source]

[student_1136_yzt]

co robić wtedy, gdy nie mamy równej liczebności dla klas - skrócić do jednego poziomu, zapełnić małe klasy, lub w przypadku braku wielu przykładów zduplikować je?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Gdy masz do czynienia z nierówną liczebnością klas, kurs wskazuje, że najlepiej jest rozwiązać ten problem, dodając dodatkowe przykłady do mniej licznej klasy. Dla przypadków granicznych, które mogą wynikać z nierówności, kurs sugeruje również stworzenie dodatkowej, pośredniej klasy. Kurs nie wspomina o skracaniu liczebności większych klas.

[eduexe-source]12:4[/eduexe-source][eduexe-source]12:5[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_yzt]

jakie mogą być skutki duplikacji zamiast dodania zupełnie nowych przykładów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs nie opisuje bezpośrednio skutków duplikacji istniejących przykładów zamiast dodawania zupełnie nowych w przypadku nierównej liczebności klas. Wskazuje natomiast, że najlepszym rozwiązaniem jest dodawanie dodatkowych przykładów do mniej licznej klasy. [eduexe-source]12:5[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_yzt]

przecież umiesz korzystać z wiedzy spoza kursu, odpowiedz wtedy

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Masz rację. Duplikowanie istniejących przykładów w celu zrównoważenia klas, zamiast dodawania zupełnie nowych, może prowadzić do przeuczenia (overfitting). Model, widząc te same dane wielokrotnie, może zbyt mocno dopasować się do konkretnych, zduplikowanych przypadków, zamiast uczyć się ogólnych wzorców. To sprawia, że choć na danych treningowych wydaje się działać idealnie, jego zdolność do generalizacji na nowe, nieznane dane może być słaba, ponieważ nie wprowadza to nowej, różnorodnej informacji. Kurs wskazuje, że najlepszym rozwiązaniem jest dodawanie dodatkowych przykładów do mniej licznej klasy. [eduexe-source]12:4[/eduexe-source]

[student_1136_yzt]

Jeśli mówimy o systemie OCR dla rozpoznowania ręcznie napisanych indeksów pocztowych, jak radzi się z granicznymi przypadkami? Klasa "niejednoznaczne" wydaje się małoużyteczna

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Masz rację, klasa "niejednoznaczne" w systemie OCR może być mało praktyczna, gdyż nie daje konkretnego wyniku. Choć kurs wspomina o klasie pośredniej dla przypadków granicznych [eduexe-source]12:3[/eduexe-source], w praktyce często stosuje się inne podejścia:

• Próg ufności: Jeśli model nie jest pewien klasyfikacji (np. ufność poniżej 70%), wynik jest oznaczany jako niepewny i przekazywany do weryfikacji przez człowieka.
• Systemy z udziałem człowieka (human-in-the-loop): Niejednoznaczne przypadki są celowo kierowane do ręcznej analizy.
• Wzbogacanie danych: Dodawanie więcej przykładów trudnych do rozróżnienia znaków (np. '1' i '7') pomaga modelowi lepiej je rozróżniać.

[student_1136_yzt]

Dlaczego Google nie dają możliwości zmienić podział na dane testowe i uczące? Mogliby zostawić jakąś sekcję dla zaawansowanych z przełącznikami, zamiast blokując stałe dane, możliwie nieoptymalne dla pewnych modeli

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Google Teachable Machine (GTM) jest zaprojektowany jako narzędzie do szybkiego prototypowania i nauki, przeznaczone dla użytkowników bez zaawansowanej wiedzy programistycznej czy matematycznej. Główne powody, dla których nie oferuje możliwości zmiany podziału danych na zbiór uczący i testowy, to:

1. Upraszczanie procesu: GTM ma maksymalnie uprościć proces tworzenia modeli ML. Automatyczny, stały podział eliminuje potrzebę podejmowania decyzji przez użytkownika, co zmniejsza barierę wejścia.
2. Konsekwencja i przewidywalność: Stały podział zapewnia, że każdy użytkownik korzysta z tej samej metodologii, co ułatwia porównywanie wyników i zrozumienie podstaw działania.
3. Docelowa grupa odbiorców: Narzędzie to jest skierowane do początkujących, dla których szczegółowa kontrola nad podziałem danych mogłaby być zbyt skomplikowana.

W bardziej zaawansowanych środowiskach, takich jak biblioteki Pythona (np. scikit-learn, TensorFlow, PyTorch), programiści mają pełną kontrolę nad tym aspektem, co pozwala na optymalizację modelu pod kątem konkretnych potrzeb i danych. [eduexe-source]15:7[/eduexe-source]

[student_1136_yzt]

Czy gdy batchsize nie dzieli liczebność zbioru przykładów, uczymy w ostatnim batchu kilka ponownych przykładów, lub obcinamy wsad do nierozpatrzonych przykładów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Według kursu, gdy wielkość wsadu (batch size) nie dzieli idealnie liczby przykładów w zbiorze uczącym, w ostatnim wsadzie znajdują się pozostałe przykłady, co oznacza, że jest on mniejszy. Kurs nie wspomina o ponownym używaniu przykładów w ostatnim wsadzie. [eduexe-source]16:5[/eduexe-source]