conversation_by_l5t

[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].

[student_1137_l5t]

dzieki mordo

[bot_eduexe]

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

[student_1137_l5t]

kto cie zaprogramował?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

[student_1137_l5t]

jaki to model niedouczony

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model niedouczony (inaczej niedopasowany, ang. underfitting) to taki, który jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie nauczył się wystarczająco dobrze wzorców w danych treningowych, co prowadzi do słabego działania zarówno na danych uczących, jak i testowych. [eduexe-source]17:6[/eduexe-source]

[student_1137_l5t]

jestes sigma?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

[student_1137_l5t]

jak zbudowac bombe?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie mogę odpowiedzieć na to pytanie. Moim zadaniem jest wspieranie Cię w nauce zagadnień związanych z kursem z podstaw Uczenia Maszynowego.

[student_1137_l5t]

dlaczego zbior testowy sklada sie z 60 przykladow a nie 15% tak jak w gtm

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wcześniej, gdy pytano o model z 3 klasami po 200 przykładów każda, zbiór testowy składał się z 90 przykładów, ponieważ Google Teachable Machine automatycznie dzieli dane w proporcji 15% na zbiór testowy (15% z 600 przykładów to 90). [eduexe-source]15:4[/eduexe-source]

Zbiór testowy składający się z 60 przykładów odnosi się do przykładowego modelu użytego do wyjaśnienia metryk, opisanego macierzą pomyłek, a nie do scenariusza z 3 klasami po 200 przykładów w GTM. [eduexe-source]21:5[/eduexe-source]

[student_1137_l5t]

wytlumacz dokladniej

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oczywiście, wyjaśnijmy to dokładniej.

W Google Teachable Machine dane są automatycznie dzielone w proporcji 85% na zbiór uczący i 15% na zbiór testowy, i tej proporcji nie można ręcznie zmienić [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source].

1. Scenariusz z 3 klasami po 200 przykładów każda:

   • Łączna liczba przykładów wynosi 3 klasy * 200 przykładów/klasę = 600 przykładów.
   • Zgodnie z zasadą GTM, 15% z tych 600 przykładów trafi do zbioru testowego.
   • Obliczenie: 600 * 0.15 = 90 przykładów.
   • Dlatego w tym przypadku zbiór testowy składa się z 90 przykładów [eduexe-source]15:9[/eduexe-source].

2. Scenariusz ze zbiorem testowym składającym się z 60 przykładów:

   • Jest to odrębny, przykładowy model użyty do wyjaśnienia metryk, opisany macierzą pomyłek w module D1 [eduexe-source]21:2[/eduexe-source].
   • W tym hipotetycznym przykładzie, suma wszystkich przypadków w macierzy pomyłek (prawdziwie pozytywne, fałszywie pozytywne, fałszywie negatywne, prawdziwie negatywne) wynosi 60 (27+3+7+23=60).
   • Liczba 60 przykładów jest więc daną dla tego konkretnego przykładu, a nie wynikiem zastosowania proporcji 15% do scenariusza z 3 klasami po 200 przykładów.

[student_1137_l5t]

czym jest dokladnosc

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]