conversation_by_lgf

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe możemy podzielić na trzy główne podkategorie:

1. Uczenie nadzorowane (supervised learning): Model uczy się na danych z prawidłowymi odpowiedziami (etykietami wynikowymi).
2. Uczenie nienadzorowane (unsupervised learning): Model samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do prawidłowych odpowiedzi.
3. Uczenie przez wzmacnianie (reinforcement learning): Model uczy się poprzez interakcje ze środowiskiem, bazując na systemie kar i nagród.
   [eduexe-source]7:6[/eduexe-source]

[student_1137_lgf]

Czy jeśli wytrenuję GTM na przykładowych zdjęciach przedstawiających jakąś konkretną rzecz to czy następnym razem sprawdzając inne zdjęcie tego przedmiotu będę miał 100% pewność poprawności wyniku?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie, jeśli wytrenujesz model GTM na przykładowych zdjęciach, nie będziesz miał 100% pewności poprawności wyniku dla innych zdjęć tego przedmiotu. Modele Uczenia Maszynowego, w tym GTM, nie zawsze są całkowicie pewne swoich ocen, zwłaszcza gdy dany przypadek jest niejednoznaczny. Model może się również pomylić, klasyfikując błędnie obiekt, którego nie widział w procesie uczenia lub który jest podobny do innej klasy. [eduexe-source]8:8[/eduexe-source][eduexe-source]11:2[/eduexe-source]

[student_1137_lgf]

Czy jeśli klasy w GTM będą tworzone tak, aby zawsze miały równą ilość przesłanych danych to jak duże znaczenie ma ilość przesłanych danych do poprawnego rozpoznania obrazu? (Np. 2 obrazy samochodów i 2 obrazy rowerów vs 500 samochodów i 500 rowerów)

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, ilość przesłanych danych ma bardzo duże znaczenie, nawet jeśli klasy mają równą liczebność. Model Uczenia Maszynowego potrzebuje wystarczającej liczby przykładów, aby nauczyć się wzorców i poprawnie rozpoznawać obrazy. W kursie wskazano, że dostarczenie tylko jednego lub kilku przykładów dla danej klasy sprawia, że model nie jest w stanie jej skutecznie rozpoznać. Dlatego 500 obrazów na klasę znacząco poprawi rozpoznanie w porównaniu do 2 obrazów na klasę. [eduexe-source]11:3[/eduexe-source][eduexe-source]14:2[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1137_lgf]

Jak można poprawić przypadek graniczny pomiędzy klasami?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby poprawić przypadek graniczny między klasami, można zastosować dwie główne metody:

1. Dodać więcej podobnych przypadków granicznych do odpowiedniej klasy: Jeśli dysponujesz dodatkowymi danymi z jednoznaczną identyfikacją, należy je dodać do właściwej klasy. Ważne jest, aby zebrać więcej niż kilka takich przykładów, by model mógł się ich skutecznie nauczyć.
2. Utworzyć dodatkową klasę pośrednią: Jeśli przypadki graniczne są na tyle niejednoznaczne, że trudno je przypisać do jednej z istniejących klas, można stworzyć nową klasę (np. "Niejednoznaczne" lub "Kotopies") i umieścić w niej te trudne przypadki. Wymaga to również dostarczenia wystarczającej liczby przykładów dla tej nowej klasy.

[eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

[student_1137_lgf]

Jaki efekt przyniosłoby ustawienie zbioru uczącego na 50% oraz testowego na 50% całości danych?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Ustawienie zbioru uczącego na 50% i zbioru testowego na 50% całości danych nie jest zalecane. Zgodnie z zasadami podziału danych, zbiór uczący powinien być znacząco większy od zbioru testowego, aby model miał wystarczająco dużo przykładów do nauki wzorców. Taki podział (50:50) może spowodować, że model nie nauczy się skutecznie, ponieważ zbiór uczący nie będzie odpowiednio duży. [eduexe-source]15:7[/eduexe-source]

[student_1137_lgf]

Czy jest jakiś sposób aby rozpoznać w jakich granicach powinno się ustawiać parametr współczynnika uczenia? Czy jest to możliwe do zweryfikowania jedynie eksperymentalnie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie wskazano, że współczynnik uczenia (learning rate) to parametr, który określa wielkość kroku, o jaki model koryguje wynik w kierunku oczekiwanego. Zarówno zbyt mała, jak i zbyt duża wartość tego współczynnika może negatywnie wpłynąć na proces trenowania. Zbyt mała wartość wydłuża trening, a zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. Optymalną wartość współczynnika uczenia należy dobrać eksperymentalnie [eduexe-source]16:7[/eduexe-source].

[student_1137_lgf]

Dlaczego dla TP=27, TN=26, FP=4, FN=3 zbiór testowy łącznie składał się z 60 przykładów?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy składa się łącznie z sumy wszystkich przypadków: prawdziwie pozytywnych (TP), prawdziwie negatywnych (TN), fałszywie pozytywnych (FP) oraz fałszywie negatywnych (FN). W Twoim przypadku: 27 (TP) + 26 (TN) + 4 (FP) + 3 (FN) = 60 przykładów. [eduexe-source]21:5[/eduexe-source]

[student_1137_lgf]

Dlaczego jest to łączna suma skoro zbiór testowy powinien wynosić 15% całości danych?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
60 przykładów to łączna liczba elementów w zbiorze testowym, który z kolei stanowi 15% całości danych, z których model był trenowany. Oznacza to, że cały zbiór danych, z którego wydzielono ten zbiór testowy, był większy. [eduexe-source]15:4[/eduexe-source][eduexe-source]21:5[/eduexe-source]

[student_1137_lgf]

Czy macierz pomyłek zawsze wskazuje tylko na dane ze zbioru testowego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, macierz pomyłek zawsze wskazuje na dane ze zbioru testowego. Jest ona przygotowywana dla zbioru testowego, aby odczytać, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]