conversation_by_l5t

[student_1137_l5t]

uczenie nadzorowane czy nienadzorowane jest dokladniejsze?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane opiera się na dostarczaniu modelowi prawidłowych odpowiedzi (etykiet wynikowych) w procesie nauki. Dzięki temu jest ono przeznaczone do zadań, gdzie celem jest dokładne dopasowanie do znanych wyników, co jest podstawą dla metryk takich jak dokładność. Uczenie nienadzorowane natomiast samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do prawidłowych odpowiedzi, więc jego cel jest inny niż "dokładność" w kontekście przewidywania etykiet. [eduexe-source]7:6[/eduexe-source]

[student_1137_l5t]

dlaczego bedziemy sie uczyc tylko o nadzorowanym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W niniejszym kursie skupimy się wyłącznie na uczeniu nadzorowanym, co jest jasno określone w module wprowadzającym do Uczenia Maszynowego. [eduexe-source]7:6[/eduexe-source]

[student_1137_l5t]

co zrobic zeby model nie był pewny?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Aby model był mniej pewny (co często jest pożądane w przypadku niejednoznacznych danych), należy:

• Włączyć do zbioru uczącego przykłady niejednoznaczne lub graniczne, które są trudne do jednoznacznego sklasyfikowania (np. zdjęcia 'kota-wilkołaka'). Model będzie wówczas wskazywał niższe prawdopodobieństwo dla każdej z klas. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
• Rozważyć stworzenie dodatkowej klasy pośredniej dla bardzo niejednoznacznych przypadków. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:6[/eduexe-source]
  Niska pewność może też wynikać z niedouczenia modelu, ale to stan niepożądany. [eduexe-source]17:6[/eduexe-source]

[student_1137_l5t]

czy teachable machine ma limity?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, Google Teachable Machine ma pewne ograniczenia. Nie można go wykorzystać do rozwiązywania problemów predykcji, a jedynie do zadań klasyfikacji [eduexe-source]10:10[/eduexe-source]. Dodatkowo, podział danych na zbiór uczący i testowy odbywa się automatycznie w proporcji 85:15 i nie można tej proporcji ręcznie zmienić [eduexe-source]15:7[/eduexe-source].

[student_1137_l5t]

jak zadziala w przypadku pustej klasy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[student_1137_l5t]

jakie sa problemy z ktorymi moge sie spotkac

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Podczas pracy z modelami Uczenia Maszynowego, w tym z Google Teachable Machine, możesz spotkać się z następującymi problemami:

1. Dane spoza klas: Model nie rozpozna obiektów, dla których nie był trenowany, i może błędnie przypisać je do istniejących klas. [eduexe-source]11:5[/eduexe-source]
2. Nierówna liczebność klas: Jeśli jedna klasa ma znacznie mniej przykładów, model może gorzej się jej nauczyć lub ją zignorować. [eduexe-source]11:4[/eduexe-source]
3. Przypadki graniczne: Model może mieć trudności z klasyfikacją niejednoznacznych przykładów, wskazując niską pewność dla każdej z klas. [eduexe-source]11:2[/eduexe-source]
4. Przeuczenie (overfitting): Model za bardzo dopasowuje się do danych treningowych, co powoduje słabe działanie na nowych danych. [eduexe-source]17:4[/eduexe-source]
5. Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, by skutecznie uczyć się z danych. [eduexe-source]17:6[/eduexe-source]
6. Nieoptymalny współczynnik uczenia: Zbyt mały wydłuża trening, zbyt duży może sprawić, że model nie osiągnie optymalnego rozwiązania. [eduexe-source]16:7[/eduexe-source]

[student_1137_l5t]

dlaczego w problemie przypadku granicznego miedzy klasami rozwiazanie to utworzenie klasy posredniej? chce rozpoznac liczbe 6 lub 7 to jak mam utworzyc klase posrednia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Utworzenie klasy pośredniej dla przypadków granicznych pozwala modelowi na wyrażenie niepewności lub na przypisanie niejednoznacznych przykładów do odrębnej kategorii, zamiast zmuszania go do błędnej klasyfikacji do jednej z głównych klas.

W przypadku rozpoznawania liczb 6 lub 7, jeśli natkniesz się na niechlujnie zapisaną cyfrę, którą trudno jednoznacznie przypisać do 6 ani do 7, możesz stworzyć klasę pośrednią, np. "Niejednoznaczne" lub "Nieokreślone". Następnie należy umieścić w niej wszystkie te trudne, graniczne przypadki i wytrenować model, aby nauczył się je rozpoznawać jako takie. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_l5t]

ok dzieki

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że mogłem pomóc!

[student_1137_l5t]

wytlumaCZ mi to

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Chodzi o utworzenie klasy pośredniej. Gdy model napotyka na przykład (np. cyfrę) zbyt niejednoznaczny, by przypisać go do którejś z głównych klas (np. 6 lub 7), można dodać nową klasę, np. "Niejednoznaczne". Wtedy model może zaklasyfikować taki przypadek jako niepewny, zamiast błędnie przypisywać go do istniejącej klasy. Pozwala to na lepsze zarządzanie niepewnością i uniknięcie fałszywych klasyfikacji. [eduexe-source]14:6[/eduexe-source]

[student_1137_l5t]

podzial na zbiory testowe i uczace

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dane dostarczone do modelu są dzielone na zbiór uczący (na którym model się uczy, znając prawidłową klasyfikację) i zbiór testowy (do weryfikacji działania modelu na danych, których nie widział). W Google Teachable Machine podział ten odbywa się automatycznie w proporcji 85% na zbiór uczący i 15% na zbiór testowy, bez możliwości ręcznej zmiany. Ważne jest, aby zbiór uczący był znacząco większy od testowego i oba zbiory były reprezentatywne dla całości danych.
[eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source]