conversation_by_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?
-
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?
[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] -
Dlaczego po wytrenowaniu i wlaczeniu mojej kamerki model jest przekonany ze ja jestem kotem , a kubek jest psem
-
Dlaczego po wytrenowaniu i wlaczeniu mojej kamerki model jest przekonany ze ja jestem kotem , a kubek jest psem
[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] -
czy musze robic te czesc kursy aby uzyskac maksymalna ilosc punktow?
-
czy musze robic te czesc kursy aby uzyskac maksymalna ilosc punktow?
[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] -
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?
-
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?
[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] -
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?
-
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?
[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] -
ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?
-
ile dancyh dla tego przykladu bedzie odpowiednie i czemu taka liczba?
[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]. -
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?
-
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?
[eduexe-intent]course_content[/eduexe-intent]
Tak, nawet przy 200 przykładach w jednej klasie, jeśli druga ma 1000, model może nadal mieć tendencję do faworyzowania klasy bardziej licznej. Kluczowe jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Stosunek 1:5 to wciąż znacząca nierównowaga, przez co model może radzić sobie gorzej z rozpoznawaniem mniej licznej klasy. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source] -
Nie rozumiem czym jest wielkosc wsadu, nie cytuj tej czesci wyjasnij to potocznymi slowami
-
Nie rozumiem czym jest wielkosc wsadu, nie cytuj tej czesci wyjasnij to potocznymi slowami
[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu to jak duża "porcja" danych, którą model Uczenia Maszynowego dostaje naraz do nauki. Zamiast uczyć się na wszystkich przykładach pojedynczo, model przetwarza je w małych grupach (wsadach) w jednej iteracji. [eduexe-source]16:5[/eduexe-source] -
co jak dostanie potwornie duza wielkosc wsadu na raz
-
co jak dostanie potwornie duza wielkosc wsadu na raz
[eduexe-intent]course_content[/eduexe-intent]
Kiedy model dostaje bardzo dużą wielkość wsadu, potrzebuje znacznie więcej zasobów obliczeniowych, zwłaszcza pamięci, aby przetworzyć tak dużą porcję danych naraz w trakcie jednej iteracji trenowania. Z drugiej strony, taka duża porcja danych może sprawić, że model będzie potrzebował mniej epok, czyli pełnych przejść przez cały zbiór uczący, aby osiągnąć zadowalające efekty uczenia się. [eduexe-source]16:5[/eduexe-source] -
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
-
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
[eduexe-intent]course_content[/eduexe-intent]
Aby ukończyć jedną epokę, potrzebne będzie 22 wsady. Oblicza się to dzieląc liczbę przykładów w zbiorze uczącym (340) przez wielkość wsadu (16), a następnie zaokrąglając w górę, ponieważ nawet niepełny wsad jest liczony jako jeden wsad. W tym przypadku 340 / 16 = 21.25, co daje 22 wsady. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:6[/eduexe-source]