conversation_by_tpp

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to pojedyncze przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego). [eduexe-source]16:3[/eduexe-source]

[student_1140_tpp]

A czym jest współczynnik uczenia?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Współczynnik uczenia (ang. learning rate) to wielkość kroku, o jaki model koryguje otrzymany wynik w kierunku wyniku oczekiwanego podczas treningu. Zbyt mała wartość wydłuża trening, a zbyt duża może sprawić, że model "przeskoczy" optymalne rozwiązanie. [eduexe-source]16:7[/eduexe-source]

[student_1140_tpp]

Jakie są używane metryki w procesie nauki maszynowej?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W procesie uczenia maszynowego używane są metryki do oceny jakości modeli. Główne metryki to:

• Dokładność (Accuracy): Stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. [eduexe-source]22:1[/eduexe-source]
• Precyzja (Precision): Stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne. [eduexe-source]23:1[/eduexe-source]
• Czułość (Recall): Stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. [eduexe-source]24:1[/eduexe-source]
• F-score: Średnia harmoniczna precyzji i czułości, będąca ich kompromisem. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]

[student_1140_tpp]

A czy się też używa metryk w sensie typu matematycznym np euklidesowa czy manhattan?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs koncentruje się na metrykach służących do oceny jakości modeli uczenia maszynowego, takich jak Dokładność (Accuracy), Precyzja (Precision), Czułość (Recall) i F-score, które są wyliczane na podstawie macierzy pomyłek. W dostarczonym źródle nie ma informacji na temat zastosowania metryk matematycznych, takich jak odległość euklidesowa czy manhattan, w kontekście oceny modeli uczenia maszynowego.

[student_1140_tpp]

A stosuje się jeszcze jakieś metryki poza tymi omówionymi na kursie?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs koncentruje się na czterech głównych metrykach do oceny jakości modeli uczenia maszynowego: Dokładności (Accuracy), Precyzji (Precision), Czułości (Recall) i F-score. W dostarczonym źródle nie ma informacji na temat innych metryk stosowanych w tym kontekście. [eduexe-source]29:1[/eduexe-source]

[student_1140_tpp]

Ale ogólnie w nauce

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Tak, w nauce ogólnie stosuje się wiele innych metryk. Mogą to być np. metryki odległości (jak euklidesowa, którą wspominałeś, czy Manhattana), miary statystyczne (np. korelacja, odchylenie standardowe), wskaźniki efektywności w inżynierii, czy też specyficzne miary w biologii, fizyce, ekonomii. Służą one do ilościowego opisu zjawisk, pomiaru relacji i oceny procesów.

[student_1140_tpp]

Ile jest r w słowie raspberry?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
W słowie "raspberry" są dwie litery "r". To pytanie wykracza poza zakres naszego kursu z Uczenia Maszynowego.