conversation_by_l5t

[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]

[student_1137_l5t]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone w proporcji 85% na zbiór uczący i 15% na zbiór testowy.

Dla 3 klas po 200 przykładów każda, masz łącznie 600 przykładów. 15% z 600 to 90. Zatem cały zbiór testowy będzie składał się z 90 przykładów. Widzę, że poprawnie odpowiedziałeś na to pytanie w quizie! [eduexe-source]15:9[/eduexe-source]

[student_1137_l5t]

jakie sa niebezpieczenstwa

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kontekście uczenia maszynowego, "niebezpieczeństwa" to przede wszystkim problemy, z którymi możesz się spotkać podczas pracy z modelem. Należą do nich:

1. Dane spoza klas: Model może błędnie klasyfikować obiekty, na których nie był trenowany [eduexe-source]11:5[/eduexe-source].
2. Nierówna liczebność klas: Model może gorzej uczyć się klas o małej liczbie przykładów lub je ignorować [eduexe-source]11:4[/eduexe-source].
3. Przypadki graniczne: Model może mieć trudności z klasyfikacją niejednoznacznych przykładów [eduexe-source]11:2[/eduexe-source].
4. Przeuczenie (overfitting): Model zbyt mocno dopasowuje się do danych treningowych, co pogarsza jego działanie na nowych danych [eduexe-source]17:4[/eduexe-source].
5. Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, aby skutecznie uczyć się z danych [eduexe-source]17:6[/eduexe-source].
6. Nieoptymalny współczynnik uczenia: Może prowadzić do znacznego wydłużenia treningu lub sprawić, że model nie osiągnie optymalnego rozwiązania [eduexe-source]16:7[/eduexe-source].