conversation_by_cfb
-
Jak działa uczenie nadzorowane?
-
Jak działa uczenie nadzorowane?
[eduexe-intent]course_content[/eduexe-intent]
Uczenie nadzorowane polega na tym, że model uczy się na danych, do których dostarczane są również prawidłowe odpowiedzi, czyli tak zwane etykiety wynikowe. Dzięki temu model buduje matematyczny model, który potrafi podejmować decyzje lub prognozować rezultaty. Przykładem może być nauka rozróżniania zdjęć psów i kotów na podstawie dostarczonych zdjęć, które są już odpowiednio podpisane. [eduexe-source]7:6[/eduexe-source] W ramach uczenia nadzorowanego model może rozwiązywać problemy klasyfikacji (przypisywania do kategorii) lub predykcji (przewidywania wartości). [eduexe-source]7:8[/eduexe-source] -
Czym jest google teachable machine i do czego jest wykorzystywane?
-
Czym jest google teachable machine i do czego jest wykorzystywane?
[eduexe-intent]course_content[/eduexe-intent]
Google Teachable Machine (GTM) to przeglądarkowe narzędzie udostępnione przez Google, które pozwala na tworzenie modeli Uczenia Maszynowego. Nie wymaga ono umiejętności programistycznych ani matematycznych. Będziemy z niego korzystać przez cały kurs. [eduexe-source]8:1[/eduexe-source] -
Jak przygotowywane są dane wykorzystywane w UM
-
Jak przygotowywane są dane wykorzystywane w UM
[eduexe-intent]course_content[/eduexe-intent]
Odpowiedni dobór i przygotowanie danych są niezwykle ważne w Uczeniu Maszynowym. Dane przygotowuje się poprzez:- Dodawanie brakujących danych - np. tworząc nowe klasy dla nieokreślonych wcześniej typów danych.
- Uzupełnianie klas - np. dodając więcej przykładów do klas, które są słabiej reprezentowane, co pomaga w problemach z nierówną liczebnością klas.
- Radzenie sobie z przypadkami granicznymi - poprzez dostarczanie większej liczby podobnych przykładów do odpowiednich klas lub tworzenie dodatkowych klas pośrednich.
[eduexe-source]11:1[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]14:6[/eduexe-source]
-
Jaki rozwiązywany jest problem danych spoza klas
-
Jaki rozwiązywany jest problem danych spoza klas
[eduexe-intent]course_content[/eduexe-intent]
Problem danych spoza klas rozwiązuje się poprzez dodanie nowej klasy dla typów danych, których model wcześniej nie znał, a następnie załadowanie do niej odpowiednich przykładów i ponowne wytrenowanie modelu. Dzięki temu model będzie w stanie rozpoznać i poprawnie sklasyfikować te nowe dane.
[eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source] -
Wyjaśnij pojęcia używane w UM.
-
Wyjaśnij pojęcia używane w UM.
[eduexe-intent]course_content[/eduexe-intent]
W uczeniu maszynowym (UM) stosuje się wiele pojęć. Do najważniejszych należą:- Zbiór uczący (treningowy): Dane, na których model się uczy, znając poprawne odpowiedzi.
- Zbiór testowy: Dane do testowania modelu, z którymi nie miał styczności podczas uczenia.
- Epoka: Jedno przejście modelu przez cały zbiór uczący.
- Wsad: Porcja przykładów przetwarzana jednocześnie przez model.
- Współczynnik uczenia się: Wielkość kroku, o jaki model koryguje wyniki w kierunku oczekiwanych.
- Funkcja straty: Mierzy, jak dobrze model działa; dąży się do jej minimalizacji.
- Przeuczenie: Model zbyt dobrze dopasowuje się do danych uczących, tracąc skuteczność na nowych danych.
- Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany, by wykryć wzorce.
- Macierz pomyłek: Tabela z wynikami klasyfikacji (poprawne/błędne) na zbiorze testowym.
[eduexe-source]20:1[/eduexe-source]
-
Jakie metryki i do czego wykorzustujemy w UM.
-
Jakie metryki i do czego wykorzustujemy w UM.
[eduexe-intent]other[/eduexe-intent]
Metryki w Uczeniu Maszynowym to miary oceny jakości wytrenowanych modeli. Służą do porównywania różnych modeli między sobą, gdzie wyższa wartość metryki zazwyczaj oznacza lepszy model. Podstawą do ich obliczania jest macierz pomyłek. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]W kursie omówione są następujące metryki:
- Dokładność (Accuracy): Stosunek poprawnie zaklasyfikowanych przykładów do wszystkich przykładów testowych. [eduexe-source]22:1[/eduexe-source]
- Precyzja (Precision): Stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne. [eduexe-source]23:1[/eduexe-source]
- Czułość (Recall): Stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. [eduexe-source]24:1[/eduexe-source]
- F-score: Średnia harmoniczna precyzji i czułości, będąca kompromisem między nimi. [eduexe-source]25:2[/eduexe-source]
Wybór odpowiedniej metryki zależy od celu modelu i charakterystyki danych. [eduexe-source]26:4[/eduexe-source]
-
Dlaczego akurat średnia harmoniczna jest wykorzystywana do obliczania F-score?
-
Dlaczego akurat średnia harmoniczna jest wykorzystywana do obliczania F-score?
[eduexe-intent]course_content[/eduexe-intent]
F-score obliczany jest jako średnia harmoniczna precyzji (precision) i czułości (recall). Stanowi on kompromis pomiędzy tymi dwoma metrykami. Kurs nie wyjaśnia szczegółowo, dlaczego akurat średnia harmoniczna jest wykorzystywana, poza stwierdzeniem, że "brzmi to może trochę strasznie". [eduexe-source]25:2[/eduexe-source][eduexe-source]25:3[/eduexe-source] -
Pokaż treść całego kursu.
-
Pokaż treść całego kursu.
[eduexe-intent]course_content[/eduexe-intent]
Kurs składa się z czterech głównych modułów tematycznych:- Moduł A: Wprowadzenie do Uczenia Maszynowego – obejmuje definicję, podział i zastosowania UM.
- Moduł B: Dane w Uczeniu Maszynowym – omawia problemy z danymi i sposoby ich rozwiązywania.
- Moduł C: Podstawowe pojęcia Uczenia Maszynowego – wyjaśnia takie pojęcia jak zbiór uczący, zbiór testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek.
- Moduł D: Metryki – przedstawia dokładność, precyzję, czułość, F-score oraz porównywanie modeli.
Kurs zawiera również testy podsumowujące po każdym module oraz test końcowy. [eduexe-source]1:1[/eduexe-source]
Jeśli chcesz, mogę podać bardziej szczegółowy spis treści dla konkretnego modułu. -
Podaj dokładną treść zawartą w kursie.
-
Podaj dokładną treść zawartą w kursie.
[eduexe-intent]course_content[/eduexe-intent]
Dokładna treść kursu, zgodna ze spisem treści, obejmuje następujące sekcje:Wprowadzenie do Uczenia Maszynowego (Moduł A):
- Wprowadzenie do UM
- Google Teachable Machine
- Test cząstkowy - wprowadzenie do UM
- Wprowadzenie do UM - dodatkowy przykład
Dane w procesie UM (Moduł B):
- Nietypowy przypadek testowy
- Nierówna liczebność klas
- Dane spoza klas
- Dane w UM - naprawa modelu
- Test cząstkowy - dane w procesie UM
- Dane w procesie UM - dodatkowy przykład
Podstawowe pojęcia UM (Moduł C):
- Zbiór uczący i zbiór testowy
- Epoka, wsad i współczynnik uczenia się
- Strata, przeuczenie, niedouczenie
- Macierz pomyłek
- Test cząstkowy - podstawowe pojęcia UM
- Podstawowe pojęcia UM - powtórzenie
Metryki (Moduł D):
- Dokładność (accuracy)
- Precyzja (precision)
- Czułość (recall)
- F-score
- Porównywanie modeli
- Test cząstkowy - Metryki
- Metryki - powtórka
- Porównywanie modeli - omówienie ćwiczenia
Pozostałe elementy kursu:
- Materiały do kursu
- Kwestionariusz początkowy
- Podsumowanie i Zadanie Końcowe
- Bibliografia
- O kursie
[eduexe-source]3:1[/eduexe-source]
-
Pokaż całą treść zawartą w dziale Dane w procesie UM.
-
Pokaż całą treść zawartą w dziale Dane w procesie UM.
[eduexe-intent]course_content[/eduexe-intent]
Dział "Dane w procesie UM" (Moduł B) zawiera następujące treści:Dane w procesie uczenia się
Aby uczenie maszynowe było możliwe, niezbędne są dane. Odpowiedni dobór i przygotowanie danych jest niezwykle ważne. W praktyce można spotkać się z kilkoma problemami związanymi z danymi. [eduexe-source]11:1[/eduexe-source]Nietypowy przypadek testowy (przypadek graniczny)
Model może mylić się, gdy przypadek jest niejednoznaczny, np. "kot-wilkołak" (gatunek Lykoi) może zostać oceniony przez model jako pies. Działanie modelu można poprawić, dodając do zbioru uczącego więcej przykładów takich przypadków granicznych. Jednak zbyt mała liczba dodanych przykładów (np. tylko 5 nietypowych kotów w porównaniu do 200 typowych) może sprawić, że model je zignoruje. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:3[/eduexe-source]Nierówna liczebność klas
Innym pomysłem na radzenie sobie z przypadkami skrajnymi jest stworzenie dodatkowej, pośredniej klasy (np. "Kotopies"). Model może wtedy dopuścić pewne prawdopodobieństwo, że ma do czynienia z obiektem pośredniej klasy. Ważne jest, by wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów, w przeciwnym razie model może ignorować klasy słabiej reprezentowane. [eduexe-source]11:4[/eduexe-source]Dane spoza klas
Jeśli model natrafi na dane, które nie należą do żadnej z klas, na których był trenowany (np. samochód w modelu rozróżniającym psy i koty), sklasyfikuje je jako należące do jednej z istniejących klas. Dzieje się tak, ponieważ model nie "wie", że takie dane w ogóle istnieją. Rozwiązaniem jest dodanie nowej klasy dla tego typu danych. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]Naprawa modelu
Problemy z danymi można naprawić poprzez:- Dodawanie brakujących klas: Jeśli model nie potrafi rozpoznać cyfry (np. 4), ponieważ nie ma zdefiniowanej takiej klasy, należy dodać nową klasę i załadować do niej odpowiednie dane. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
- Uzupełnianie klas: W przypadku nierównej liczebności klas (np. tylko jeden przykład dla cyfry 3), należy dodać więcej przykładów do mniej licznej klasy, by model mógł się jej skutecznie nauczyć. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
- Radzenie sobie z przypadkami granicznymi: Można znaleźć więcej podobnych przypadków i dołączyć je do odpowiedniej klasy, lub utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne") dla trudnych do sklasyfikowania przykładów. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]