conversation_by_5n1

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Nie, quizy i inne zadania typu "Sprawdź się!" umieszczone w kursie poza głównymi testami (początkowym, cząstkowymi i końcowym) nie są punktowane. Możesz do nich podchodzić wielokrotnie bez wpływu na swój wynik. [eduexe-source]1:1[/eduexe-source]

[student_1137_5n1]

Na podstawie moich postępów w kursie wskaż jedną najważniejszą rzecz, którą powinienem/powinnam teraz zrobić. Uzasadnij krótko i zaproponuj pierwszy konkretny krok.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Powinieneś poprawić swój wynik w teście cząstkowym z modułu C. Zauważyłem, że miałeś trudności z pytaniami dotyczącymi rozmiaru zbioru testowego oraz interpretacji macierzy pomyłek.

Pierwszy krok: Przejrzyj ponownie komponent C1: Zbiór uczący i zbiór testowy [eduexe-source]15:4[/eduexe-source][eduexe-source]15:9[/eduexe-source] oraz komponent C4: Macierz pomyłek [eduexe-source]18:2[/eduexe-source]. Następnie spróbuj ponownie rozwiązać Test cząstkowy - podstawowe pojęcia UM (komponent 19).

[student_1137_5n1]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że interesuje Cię temat zbiorów danych używanych w uczeniu maszynowym.

Wyobraź sobie, że uczysz się do egzaminu. Materiały do nauki, z których korzystasz i znasz odpowiedzi, to "zbiór uczący". Zadania na egzaminie, których nie widziałeś wcześniej, to "zbiór testowy". Model Uczenia Maszynowego uczy się na "zbiorze uczącym", a potem jest sprawdzany na "zbiorze testowym", aby sprawdzić, czy naprawdę się nauczył, czy tylko zapamiętał.

Przykład: Gdy uczysz model rozpoznawać psy i koty, pokazujesz mu wiele zdjęć z etykietami "pies" lub "kot" (zbiór uczący). Następnie testujesz go na nowych zdjęciach bez etykiet (zbiór testowy), aby zobaczyć, czy potrafi poprawnie je sklasyfikować. [eduexe-source]15:3[/eduexe-source]

Pytanie sprawdzające: Dlaczego model jest testowany na danych, których nie widział podczas nauki?
A) Aby mógł zapamiętać wszystkie możliwe scenariusze.
B) Aby sprawdzić, czy jego wiedza jest ogólna, a nie tylko zapamiętana.
C) Aby nauczyć go nowych informacji.

[student_1137_5n1]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Dobrze, skupmy się na Twoich postępach w temacie zbiorów uczących i testowych.

Oto 3 krótkie pytania sprawdzające:

1. Jaka jest główna różnica między zbiorem uczącym a zbiorem testowym?
2. Czy w Google Teachable Machine musisz ręcznie dzielić dane na zbiór uczący i testowy, czy dzieje się to automatycznie?
3. Jeśli masz model z 4 klasami, a każda klasa ma po 100 przykładów, ile przykładów znajdzie się łącznie w zbiorze testowym w Google Teachable Machine?

[eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source]

[student_1137_5n1]

zbiór uczacy jest wiekszy od zbirou testowego np. 80:20 . zbior testowy uzywamy tylko raz

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, dokładnie! Masz rację, że zbiór uczący jest zazwyczaj większy od testowego, często w proporcji 80:20 [eduexe-source]15:7[/eduexe-source]. Bardzo dobrze też zauważyłeś, że zbiór testowy powinien być używany tylko raz, aby obiektywnie ocenić model na danych, których wcześniej nie widział [eduexe-source]15:3[/eduexe-source].

To była świetna odpowiedź na pierwsze pytanie. Jak poradzisz sobie z pozostałymi dwoma?

[student_1137_5n1]

podaj wzor na accuracy i daj przyklad obliczen

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Oblicza się ją jako stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych.

Wzór na dokładność to:
Accuracy = (Prawdziwie Pozytywne (TP) + Prawdziwie Negatywne (TN)) / (Prawdziwie Pozytywne (TP) + Fałszywie Pozytywne (FP) + Prawdziwie Negatywne (TN) + Fałszywie Negatywne (FN))

Przykład obliczeń:
Załóżmy, że model odróżnia psy od kotów. W zbiorze testowym:

• 20 psów zostało poprawnie ocenionych jako psy.
• 15 kotów zostało poprawnie ocenionych jako koty.
• 5 psów zostało błędnie ocenionych jako koty.
• 10 kotów zostało błędnie ocenionych jako psy.

Liczba poprawnych klasyfikacji: 20 + 15 = 35
Liczba wszystkich przykładów: 20 + 15 + 5 + 10 = 50

Dokładność = 35 / 50 = 0.7 = 70%.

[eduexe-source]22:1[/eduexe-source][eduexe-source]22:2[/eduexe-source][eduexe-source]22:5[/eduexe-source]

[student_1137_5n1]

jak dobrze przygotowac zbior testowy i uczacy? czy dane musza byc oczyszczone ?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby dobrze przygotować zbiór uczący i testowy, kluczowe jest zapewnienie wysokiej jakości danych i ich odpowiedniego zbalansowania. Zbiór uczący powinien być znacząco większy od testowego, a zbiór testowy musi być reprezentatywny dla całości danych i wystarczająco duży [eduexe-source]15:7[/eduexe-source].

Tak, dane muszą być odpowiednio przygotowane, co w praktyce oznacza ich "oczyszczenie" i korektę. Należy zwrócić uwagę na takie problemy jak nierówna liczebność klas (uzupełniając dane w mniej licznych klasach) [eduexe-source]11:4[/eduexe-source][eduexe-source]14:5[/eduexe-source], dane spoza zdefiniowanych klas (dodając dla nich nowe klasy) [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source] oraz przypadki graniczne (dodając więcej podobnych przykładów lub tworząc klasy pośrednie) [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]. Pamiętaj, że model będzie co najwyżej tak dobry, jak dane, na których się uczy [eduexe-source]11:1[/eduexe-source].

[student_1137_5n1]

chodzilo mi o przekształcenie danych i oczyszczenie (ETL) zeby uniknac szumów i blednej intrerpretacji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że interesują Cię szczegóły przekształcania i oczyszczania danych (ETL) w celu uniknięcia szumów i błędnej interpretacji. Kurs podkreśla, że odpowiednie przygotowanie danych jest kluczowe dla skutecznego działania modelu. [eduexe-source]11:1[/eduexe-source]

"Oczyszczenie" i "korekta" danych, o których mówiliśmy, mają na celu właśnie zmniejszenie "szumów" i ryzyka "błędnej interpretacji" przez model. Kurs skupia się na rozwiązywaniu konkretnych problemów z danymi, które mogą prowadzić do takich niepożądanych efektów. Są to m.in.:

• Nierówna liczebność klas: Korekta polega na uzupełnianiu danych w mniej licznych klasach. [eduexe-source]11:4[/eduexe-source]
• Dane spoza zdefiniowanych klas: Należy dodać nowe klasy dla takich danych. [eduexe-source]11:5[/eduexe-source]
• Przypadki graniczne: Można dodać więcej podobnych przykładów lub stworzyć klasy pośrednie. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source]

Pamiętaj, że model jest tylko tak dobry, jak dane, na których się uczy.

[student_1137_5n1]

jakie znasz mozliwe przekształcenia danych? zeby poprawić ich jakości zanim załaduje je do modleu ML jak zbior danych uczących

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs skupia się na przekształceniach danych w kontekście problemów z ich jakością, które mogą prowadzić do "szumów" i "błędnej interpretacji" przez model. Główne przekształcenia danych, które mają na celu poprawę ich jakości przed załadowaniem do modelu ML jako zbioru uczącego, obejmują:

1. Uzupełnianie danych w mniej licznych klasach w przypadku nierównej liczebności klas, aby zapewnić modelowi wystarczającą liczbę przykładów do nauki. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
2. Dodawanie nowych klas dla danych spoza zdefiniowanych klas, aby model potrafił je rozpoznać, zamiast błędnie przypisywać do istniejących kategorii. [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
3. Dodawanie więcej podobnych przykładów dla przypadków granicznych lub tworzenie klas pośrednich, co pomaga modelowi lepiej radzić sobie z niejednoznacznymi danymi. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

Te działania mają na celu zapewnienie, że zbiór uczący jest reprezentatywny, zbalansowany i zawiera wystarczającą liczbę przykładów dla wszystkich istotnych kategorii.

[student_1137_5n1]

widze ze masz ograniczoną baze wiedzy. chodzilo mi o uzupełnienie brakujących wartości, odfiltrowanie pustych wierszy, usuniecie nadamiarowych zmiennych itp.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Masz rację, kurs skupia się na specyficznych problemach danych obrazowych w GTM. Poza tymi, które omówiliśmy (nierówna liczebność klas, dane spoza klas, przypadki graniczne), ogólne przekształcenia danych obejmują: uzupełnianie brakujących wartości (imputacja), usuwanie pustych rekordów, redukcję wymiarowości (np. usuwanie nadmiarowych zmiennych), normalizację, standaryzację czy obsługę wartości odstających. Wszystkie te działania mają na celu poprawę jakości danych i redukcję szumów, co jest kluczowe dla każdego modelu ML [eduexe-source]11:1[/eduexe-source].

[student_1137_5n1]

w jaki spoób wynik koncowy jest przeskalowany? dalej w ocenach koncowych mam 0 punktow i X mimo ze ponizej jest 90%?