conversation_by_yzt
-
jakie mogą być skutki duplikacji zamiast dodania zupełnie nowych przykładów?
-
jakie mogą być skutki duplikacji zamiast dodania zupełnie nowych przykładów?
[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] -
przecież umiesz korzystać z wiedzy spoza kursu, odpowiedz wtedy
-
przecież umiesz korzystać z wiedzy spoza kursu, odpowiedz wtedy
[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] -
Jeśli mówimy o systemie OCR dla rozpoznowania ręcznie napisanych indeksów pocztowych, jak radzi się z granicznymi przypadkami? Klasa "niejednoznaczne" wydaje się małoużyteczna
-
Jeśli mówimy o systemie OCR dla rozpoznowania ręcznie napisanych indeksów pocztowych, jak radzi się z granicznymi przypadkami? Klasa "niejednoznaczne" wydaje się małoużyteczna
[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.
-
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
-
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
[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:- Upraszczanie procesu: GTM ma maksymalnie uprościć proces tworzenia modeli ML. Automatyczny, stały podział eliminuje potrzebę podejmowania decyzji przez użytkownika, co zmniejsza barierę wejścia.
- Konsekwencja i przewidywalność: Stały podział zapewnia, że każdy użytkownik korzysta z tej samej metodologii, co ułatwia porównywanie wyników i zrozumienie podstaw działania.
- 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]
-
Czy gdy batchsize nie dzieli liczebność zbioru przykładów, uczymy w ostatnim batchu kilka ponownych przykładów, lub obcinamy wsad do nierozpatrzonych przykładów?
-
Czy gdy batchsize nie dzieli liczebność zbioru przykładów, uczymy w ostatnim batchu kilka ponownych przykładów, lub obcinamy wsad do nierozpatrzonych przykładów?
[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] -
wiem że kurs nie wspomina, ale w realnym życiu również jest używane obcinanie batch?
-
wiem że kurs nie wspomina, ale w realnym życiu również jest używane obcinanie batch?
[eduexe-intent]course_content[/eduexe-intent]
Tak, kurs faktycznie wspomina, że w ostatnim wsadzie znajdują się pozostałe przykłady, co oznacza, że jest on mniejszy, jeśli wielkość wsadu nie dzieli idealnie liczby przykładów [eduexe-source]16:5[/eduexe-source].W praktyce uczenia maszynowego jest to standardowe podejście – ostatni wsad jest zazwyczaj mniejszy i zawiera tylko te przykłady, które pozostały do przetworzenia w danej epoce.
-
w confusion matrix każdy rząd to rzeczywista klasa, a kolumna - klasyfikowana przez model? i w macierzy zapisana jest liczba takich testów?
-
w confusion matrix każdy rząd to rzeczywista klasa, a kolumna - klasyfikowana przez model? i w macierzy zapisana jest liczba takich testów?
[eduexe-intent]other[/eduexe-intent]
Tak, masz rację. Standardowo w macierzy pomyłek (confusion matrix) każdy rząd reprezentuje rzeczywistą (prawdziwą) klasę przykładu, a każda kolumna reprezentuje klasę przewidzianą (sklasyfikowaną) przez model. W komórkach macierzy zapisana jest liczba przykładów, które odpowiadają danej kombinacji rzeczywistej i przewidzianej klasy. [eduexe-source]21:2[/eduexe-source] [eduexe-source]18:2[/eduexe-source]Warto jednak pamiętać, że w Google Teachable Machine układ osi jest odwrotny do większości przykładów: przewidywania modelu są na osi poziomej, a rzeczywisty rozkład klas na osi pionowej. [eduexe-source]30:3[/eduexe-source]
-
prościej niż myślałem
-
prościej niż myślałem
[eduexe-intent]student_progress[/eduexe-intent]
Cieszę się, że temat macierzy pomyłek okazał się dla Ciebie prosty! To świetnie, że szybko przyswajasz ten kluczowy dla oceny modeli element.Obecnie jesteś na końcu modułu "C - Podstawowe pojęcia Uczenia Maszynowego". Dotychczas zdobyłeś 18 punktów, co oznacza, że pomyślnie przechodzisz kurs. Spędziłeś w nim około 122 minuty.
Możesz teraz przystąpić do testu podsumowującego ten moduł.
-
wow, nawet takie info masz. Co jeszcze ciekawego wiesz?
-
wow, nawet takie info masz. Co jeszcze ciekawego wiesz?
[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje informacje są dla Ciebie interesujące! Wiem na przykład, że system punktacji w tym kursie jest tak zaprojektowany, abyś zawsze otrzymał korzystniejszy dla siebie wynik. Twoja końcowa ocena to suma punktów z testu początkowego i wszystkich testów cząstkowych, LUB suma punktów z testu początkowego i testu końcowego – wybierana jest wyższa z tych dwóch wartości. To daje Ci elastyczność i szansę na najlepszy możliwy rezultat! [eduexe-source]1:1[/eduexe-source] -
czy metryka to nie funkcja mierząca odległość między dwiema punktami? czy również może być funkcją agregującą, przyporządkowującą dla pewnego modelu liczbę?
-
czy metryka to nie funkcja mierząca odległość między dwiema punktami? czy również może być funkcją agregującą, przyporządkowującą dla pewnego modelu liczbę?
[eduexe-intent]course_content[/eduexe-intent]
Tak, masz rację. W kontekście uczenia maszynowego metryka jest funkcją, która przyjmując model jako argument, zwraca pewną wartość. Ta wartość służy do oceny i porównywania modeli. Nie jest to jedynie funkcja mierząca odległość między dwoma punktami, choć niektóre metryki mogą opierać się na koncepcji odległości. Jej głównym celem jest przyporządkowanie liczbowej miary jakości działania modelu. [eduexe-source]21:1[/eduexe-source]