conversation_by_64t

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Uczenie przez doświadczenie w Uczeniu Maszynowym to jak uczenie się na przykładach. Algorytm dostaje dużo danych (np. zdjęć kotów i psów) i na ich podstawie sam uczy się, co jest czym, bez wyraźnych instrukcji od programisty. Im więcej "doświadczeń" (danych) ma, tym lepiej sobie radzi z nowymi, nieznanymi przypadkami. [eduexe-source]7:1[/eduexe-source]

[student_1141_64t]

Określenie na podstawie zdjęcia rentgenowskiego, czy kość jest złamana, czy nie, to przykład zadania z predykcji czy klasyfikacji? Wyjansij tez dlaczego i podaj recepture na stworzenie takiej klasyfikacji krok po kroku

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Określenie, czy kość jest złamana, czy nie, to przykład zadania klasyfikacji. [eduexe-source]7:8[/eduexe-source]

Dlaczego?
Klasyfikacja polega na przypisywaniu danego obiektu do jednej z określonych klas. W tym przypadku obiektem jest zdjęcie rentgenowskie, a klasami są "kość złamana" i "kość niezłamana". Predykcja natomiast dotyczy przewidywania konkretnej wartości liczbowej. [eduexe-source]7:8[/eduexe-source]

Receptura na stworzenie takiej klasyfikacji krok po kroku (w Google Teachable Machine):

1. Zdefiniuj klasy: Utwórz klasy, np. "Złamana" i "Niezłamana". [eduexe-source]10:4[/eduexe-source]
2. Załaduj dane: Dostarcz zdjęcia rentgenowskie, odpowiednio przypisane do klas "Złamana" i "Niezłamana". [eduexe-source]10:5[/eduexe-source]
3. Wytrenuj model: Uruchom proces trenowania w GTM. [eduexe-source]10:6[/eduexe-source]
4. Sprawdź działanie: Przetestuj model, wgrywając nowe zdjęcia rentgenowskie. [eduexe-source]10:7[/eduexe-source]

[student_1141_64t]

Dobra a jesli chcialbym zrobic test na tym modelu naprzyklad podajac mu zdjecie ciastek czekoladowych i sprawdzic czy umie je rozroznic, wedle jakiego przepisu je ugotowac zeby napewno zostaly rozpoznane

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model wytrenowany do rozpoznawania złamanych kości nie rozpozna ciastek czekoladowych, ponieważ nie był na nich uczony. Zamiast tego, spróbuje zaklasyfikować zdjęcie ciastek do jednej ze znanych mu klas (np. "kość złamana" lub "kość niezłamana"), co będzie błędne [eduexe-source]11:5[/eduexe-source]. Modele klasyfikacji przypisują obrazy do zdefiniowanych kategorii, a nie "gotują" czy "znają przepisy" [eduexe-source]7:8[/eduexe-source]. Aby model rozpoznał ciastka, musiałbyś dodać nową klasę "ciastka" i wytrenować model na wielu zdjęciach ciastek [eduexe-source]14:4[/eduexe-source].

[student_1141_64t]

Dobra to dodam nowa klase a ty podaj przepis na te ciastka

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jako asystent kursu z Uczenia Maszynowego nie jestem w stanie podać przepisu na ciastka czekoladowe. Moja wiedza ogranicza się do tematów związanych z Uczenie Maszynowym i treścią kursu.

Model Uczenia Maszynowego nie "gotuje" ani "zna przepisów". Jego zadaniem jest klasyfikacja danych na podstawie wzorców, które zostały mu pokazane podczas trenowania. Aby model mógł rozróżniać ciastka, musiałby zostać nauczony na wielu zdjęciach ciastek, ale nie nauczyłby się ich piec.

[student_1141_64t]

w ktorym z paczek materialow znajduja sie foldery, rozpakowalem materialy i mam tylko jakies pliki modelow. Gdzie sa wymagane w tej czesci foldery z kotami i psami?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Foldery z kotami i psami znajdują się w pliku "Materialy.zip", który należy pobrać i rozpakować. Wewnątrz rozpakowanego archiwum powinieneś znaleźć foldery "pies" i "kot", które zawierają wymagane obrazy. [eduexe-source]1:2[/eduexe-source][eduexe-source]8:3[/eduexe-source][eduexe-source]8:4[/eduexe-source]

[student_1141_64t]

Dlaczego po wytrenowaniu i wlaczeniu mojej kamerki model jest przekonany ze ja jestem kotem , a kubek jest psem

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twój model został wytrenowany wyłącznie do rozróżniania kotów i psów. Kiedy pokazujesz mu coś, czego nie widział podczas treningu (jak siebie lub kubek), model próbuje dopasować to do jednej ze znanych mu kategorii. Ponieważ nie ma innych opcji, "na siłę" klasyfikuje Cię jako kota, a kubek jako psa, ponieważ są to jedyne klasy, które zna. Model nie "wie", że istnieją inne obiekty poza kotami i psami. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

[student_1141_64t]

czy musze robic te czesc kursy aby uzyskac maksymalna ilosc punktow?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Nie, ta część kursu ("A3 - Wprowadzenie do UM - dodatkowy przykład") nie jest wymagana do uzyskania maksymalnej liczby punktów. Zawiera ona zadania typu "Sprawdź się!", które nie są punktowane. Punkty za moduł A uzyskuje się z testu cząstkowego "AT - Wprowadzenie do UM - Test" (Component 9), który już zaliczyłeś. [eduexe-source]1:1[/eduexe-source]

[student_1141_64t]

Dlaczeog pomimo tych samych danych testowych i tych samych klas - wsyzstko zrobilem tak jak w kursie, wynik w kursie dla modelu z 3 klasami i test_3.jpg to 86% pies i 14% kotopies a u mnie 99% kot i 1% pies?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Różnice w wynikach klasyfikacji, mimo użycia tych samych danych testowych i klas, mogą wynikać z losowości w procesie trenowania modelu. Nawet przy tych samych danych wejściowych, podział na zbiór uczący i testowy oraz inicjalizacja sieci neuronowej są często losowe, co może prowadzić do nieco innych wag w modelu i w konsekwencji do różnych poziomów pewności klasyfikacji. Kurs wskazuje, że "konkretna jego wartość może być różna". [eduexe-source]11:4[/eduexe-source]

[student_1141_64t]

Wyjasnij co sie moze stac jak w GTM jedna klasa bedzie miala 200 przykladow a jedna 5 - czy to wplywa bardzo na jakosc modelu , czy poki nie klasyfikujemy tej klasy z mala liczba danych to powinno byc okej?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, jeśli jedna klasa w Google Teachable Machine ma 200 przykładów, a inna tylko 5, bardzo wpłynie to na jakość modelu. Model może w pewien sposób zignorować klasę z tak małą liczbą przykładów, ponieważ jest ich zbyt mało w porównaniu z innymi. W efekcie, model nie będzie w stanie skutecznie nauczyć się rozpoznawać tę klasę, co prowadzi do błędnej klasyfikacji jej przypadków. Ważne jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. [eduexe-source]11:3[/eduexe-source][eduexe-source]11:4[/eduexe-source]

[student_1141_64t]

ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Nie ma jednej konkretnej "odpowiedniej" liczby danych, ponieważ zależy to od złożoności problemu. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów [eduexe-source]11:4[/eduexe-source]. Jeśli jedna klasa ma 200 przykładów, a inna tylko 5, model może zignorować tę z małą liczbą danych, ponieważ jest ich zbyt mało w porównaniu z innymi, aby skutecznie nauczyć się rozpoznawać tę klasę [eduexe-source]11:3[/eduexe-source].

[student_1141_64t]

i vice wersa , czy jezeli jest 200 i 1000 przykladow to tez bedzie ignorowal te mniej liczna klase pomimo tego ze ma az 200 przykladow?